KR102300226B1 - 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 - Google Patents
진단보조정보를 제공하는 방법 및 이를 수행하는 장치 Download PDFInfo
- Publication number
- KR102300226B1 KR102300226B1 KR1020200187935A KR20200187935A KR102300226B1 KR 102300226 B1 KR102300226 B1 KR 102300226B1 KR 1020200187935 A KR1020200187935 A KR 1020200187935A KR 20200187935 A KR20200187935 A KR 20200187935A KR 102300226 B1 KR102300226 B1 KR 102300226B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- disease index
- information
- region
- auxiliary information
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
본 발명은 메디컬 이미지를 분석하여 진단보조정보를 제공하는 방법에 관한 것으로서, 뇌 이미지를 획득하는 단계; 뇌의 영역을 반영하는 특징값을 레이블링하는 단계; 상기 뇌 이미지 내에 기준 바운더리를 결정하는 단계; 제1 질병 인덱스 및 제2 질병 인덱스를 계산하는 단계;및 상기 제1 및 제2 질병 인덱스에 기초하여 진단보조정보를 제공하는 단계;를 포함하는 진단보조정보 제공 방법에 관한 것이다.
Description
본 발명은 메디컬 이미지를 분석하여 진단보조정보를 제공하는 방법 및 이를 수행하기 위한 시스템에 관한 것으로, 보다 상세하게는 메디컬 이미지를 복수의 영역으로 세그멘테이션하고, 상기 복수의 영역 간의 상관관계에 기초하여 진단보조정보를 제공하는 방법 및 이를 수행하기 위한 시스템에 관한 것이다.
현대 의료 기술 분야에서는 메디컬 이미지를 정밀하게 분석하여 보다 정확하게 질병에 관한 정보를 제공하기 위한 다양한 기법들에 대한 요구가 점차 증대되고 있다. 이러한 추세 속에서, 메디컬 이미지를 분석하여 통일화 된 질병 지표를 제공하는 차세대 의료 기술이 각광받고 있다.
메디컬 이미지를 분석하여 질병에 관한 정보를 제공하기 위한 지표를 산출하는 방식은 다양한 문헌들을 통해 공개된 바 있다. 그러나 이러한 논문들은 대부분 메디컬 이미지를 분석하는 의사의 임상적 판단이 개입되어, 환자에게 제공되는 질병에 관한 정보가 의사에 따라 지나치게 주관적이고 편차가 심한 한계점이 있었다.
또한, 메디컬 이미지로부터 질병에 관한 정보를 제공하기 위해 이미지 세그멘테이션을 수행하는 경우에도, 메디컬 이미지의 획득 조건에 따라 메디컬 이미지의 내에서 세그멘테이션 될 수 있는 영역이 달라진다. 이로 인해, 특정한 하나의 메디컬 이미지 내에서는 질병에 관한 충분한 정보를 획득하기 어려워, 정확한 진단 보조정보를 제공하기 위해서는 다양한 조건에서 획득된 메디컬 이미지를 각각 세그멘테이션 해야 하는 번거로움이 존재하였다.
아래의 종래문헌들은 메디컬 이미지를 분석하여 질병에 관한 정보를 제공하기 위한 지표를 산출하기 위한 방식을 개시한다.
* 대한민국특허청(KR) 등록특허공보 10-1754291(2017.07.06)
* 대한민국특허청(KR) 등록특허공보 10-1676789(2016.11.10)
또한, 아래의 선행문헌들은 여러 형식에 따른 메디컬 이미지를 세그멘테이션 하는 방식에 대해 개시한다.
* 미국 특허출원공개공보 US2019/0096059 A1
* 미국 특허출원공개공보 US2020/0167930 A1
아래의 종래문헌들은 메디컬 이미지를 분석하여 질병에 관한 정보를 제공하기 위한 지표를 산출하기 위한 방식을 개시한다.
* 대한민국특허청(KR) 등록특허공보 10-1754291(2017.07.06)
* 대한민국특허청(KR) 등록특허공보 10-1676789(2016.11.10)
또한, 아래의 선행문헌들은 여러 형식에 따른 메디컬 이미지를 세그멘테이션 하는 방식에 대해 개시한다.
* 미국 특허출원공개공보 US2019/0096059 A1
* 미국 특허출원공개공보 US2020/0167930 A1
본 발명이 해결하고자 하는 일 과제는 메디컬 이미지를 분석하여 질병에 관한 지표를 산출함에 있어서 획일화된 기준을 제공하여 의사의 주관적 판단에 의한 영향을 제거하는 데에 있다.
본 발명이 해결하고자 하는 일 과제는 고도로 훈련된 인공신경망을 이용하여 메디컬 이미지를 분석함으로써, 객관적이고 획일화 된 질병 지표를 산출하는 데에 있다.
본 발명이 해결하고자 하는 일 과제는 메디컬 이미지가 가지는 성향에 대응되는 질병 지표를 산출하여, 메디컬 이미지의 다양성에 의한 영향이 제거된 질병 정보를 제공하는 데에 있다.
본 발명이 해결하고자 하는 일 과제는, 하나의 메디컬 이미지로부터 적어도 2 이상의 고유한 특성을 가지는 세그멘테이션 결과를 획득함으로써, 질병에 관한 정보를 제공하는 데에 다양성을 증가시키는 데에 있다.
본 발명의 일 실시예에 따르면, 뇌와 관련된 MRI 이미지를 획득하는 통신모듈; 상기 이미지를 분석하기 위한 프로그램이 저장된 메모리; 상기 메모리에 저장된 프로그램을 이용하여 상기 뇌와 관련된 MRI 이미지를 분석하는 콘트롤러;를 포함하되,상기 콘트롤러는, 상기 이미지로부터 뇌실영역 및 백질고강도신호 영역을 구별하고, 상기 뇌실영역으로부터 미리 정해진 거리만큼 이격된 기준 바운더리를 설정하고, 상기 기준 바운더리 내에 존재하는 백질고강도신호 영역에 기초한 제1 질병 인덱스및 상기 기준 바운더리 외에 존재하는 백질고강도신호 영역에 기초한 제2 질병 인덱스를 계산하고, 상기 제1 질병 인덱스및 제2 질병 인덱스에 기초하여 진단보조정보를 제공하는 진단보조정보 제공 장치가 제공될 수 있다.
본 발명의 다른 양상에 따르면, 복수의 셀(cell)을 포함하는 뇌 이미지를 획득하는 단계; 상기 복수의 셀에 뇌의 영역 - 상기 뇌의 영역은 뇌실 및 백질고강도신호(whitematter hyperintensity)를 포함함 - 을 반영하는 특징값을 레이블링하는 단계; 상기 뇌 이미지 내에 기준 바운더리 - 상기 기준 바운더리는 상기 뇌실로부터 미리 정해진 거리만큼 이격된 셀들의 집합으로 정의됨 - 를 결정하는 단계; 상기 기준 바운더리 내에 위치한 백질고강도신호를 나타내는 특징값으로 레이블링 된 셀들과 관련된 제1 질병 인덱스 및 상기 기준 바운더리 외에 위치한 백질고강도신호를 나타내는 특징값으로 레이블링 된 셀들과 관련된 제2 질병 인덱스를 계산하는 단계; 및 상기 제1 및 제2 질병 인덱스에 기초하여 진단보조정보를 제공하는 단계;를 포함하는 뇌와 관련된 진단 보조정보를 제공하는 방법이 제공될 수 있다.
본 발명에 의하면, 메디컬 이미지로부터 질병 지표를 산출하는 데에 획일화 된 기준을 제공함으로써, 환자의 상태로부터 객관적이고 명료한 질병 정보를 제공할 수 있다.
본 발명에 의하면, 메디컬 이미지에 포함된 특성이 반영된 기준을 산정하는 방법을 제공함으로써, 다양한 메디컬 이미지에 적용될 수 있는 질병 정보 제공 방법이 제공될 수 있다.
본 발명에 의하면, 고도로 훈련된 인공신경망을 이용하여 메디컬 이미지를 분석함으로써, 의사의 임상적 판단이 제거된 객관적이고 명료한 질병 정보가 제공될 수 있다.
본 발명에 의하면, 적어도 2 이상의 다른 특성을 가지는 메디컬 이미지를 통하여 학습된 인공신경망을 이용함으로써, 환자가 가지는 질병의 특성에 대응되는 메디컬 이미지에 대한 질병 정보를 정확하게 제공할 수 있다.
도 1은 일 실시예에 따른 진단보조정보 제공 시스템의 일 구현예이다.
도 2는 일 실시예에 따른 진단보조정보 제공 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 3은 일 실시예에 따른 영상획득장치의 구성을 나타낸 블록도이다.
도 4는 일 실시예에 따른 영상분석장치의 구성을 나타낸 블록도이다.
도 5는 일 실시예에 따른 진단보조정보 제공 시스템에서 수행되는 진단보조정보 제공 방법의 개괄적인 순서도이다.
도 6은 일 실시예에 따른 메디컬 이미지의 예시이다.
도 7은 일 실시예에 따른 다양한 획득 조건에 따른 메디컬 이미지의 예시를 나타낸 것이다.
도 8은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지 분석 동작의 세부동작을 나타낸 순서도이다.
도 9는 일 실시예에 따른 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 10은 일 실시예에 따른 메디컬 이미지로부터 질병 인덱스를 추출하는 방법의 일 예를 나타낸 순서도이다.
도 11은 일 실시예에 따른 기준 영역과 기준 바운더리가 도시된 메디컬 이미지의 일 예이다.
도 12는 일 실시예에 따른 대상 영역의 영역정보를 획득하는 과정의 일 예이다.
도 13은 일 실시예에 따른 대상 영역의 영역정보를 획득하는 과정의 다른 예이다.
도 14는 일 실시예에 따라 계산된 질병 인덱스에 기초하여 획득된 진단보조정보가 제공되는 일 구현예이다.
도 15는 일 실시예에 따라 수정된 기준 바운더리를 이용하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
도 16은 일 실시예에 따라 기준 바운더리와 비관심 영역이 오버랩 된 경우를 나타낸 것이다.
도 17a 및 도 17b는 일 실시예에 따라 수정된 기준 바운더리를 계산하는 방법의 예시를 나타낸 것이다.
도 18은 일 실시예에 따라 일부가 수정된 기준 바운더리 및 전체적으로 수정된 기준 바운더리의 예시를 나타낸 것이다.
도 19는 일 실시예에 따라 일부가 수정된 기준 바운더리의 구체적인 수정 과정의 예시를 나타낸 것이다.
도 20은 일 실시예에 따라 영상분석장치가 복수의 메디컬 이미지로부터 진단보조정보를 제공하는 방법에 관한 개략적인 순서도이다.
도 21은 일 실시예에 따른 복수의 메디컬 이미지의 일 예를 나타낸 것이다.
도 22는 각각 다른 정보를 포함하고 있는 슬라이스 이미지의들의 예시 및 이를 통한 진단보조정보의 제공에 관한 일 예이다.
도 23은 실시예에 따라 후보 이미지로부터 진단보조정보를 획득하는 방법을 개략적으로 나타낸 순서도이다.
도 24은 일 실시예에 따른 후보 이미지의 예시이다.
도 25는 일 실시예에 따른 후보 이미지로부터 진단보조정보를 제공하는 예시를 나타낸 것이다.
도 26은 일 실시예에 따른 진단보조정보 제공의 다른 구현예이다.
도 27은 일 실시예에 따른 복수의 이미지에 기초하여 질병 인덱스를 획득하는 방법을 나타낸 순서도이다.
도 28은 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 일 예이다.
도 29는 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 다른 예이다.
도 30은 일 실시예에 따른 3D 메디컬 모델에 기초하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
도 31은 일 실시예에 따라 3D 메디컬 모델로부터 질병 인덱스를 산출하는 과정의 일 예를 나타낸 것이다.
도 32는 일 실시예에 따라 3D 메디컬 모델로부터 질병 인덱스를 산출하는 과정의 다른 예를 나타낸 것이다.
도 33은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지의 세그멘테이션 동작을 개괄적으로 나타낸 것이다.
도 34는 일 실시예에 따른 인공신경망 모델의 일 구현예를 나타낸 것이다.
도 35는 일 실시예에 따른 인공신경망 모델의 다른 구현예를 나타낸 것이다.
도 36은 일 실시예에 따른 인공신경망 모델을 이용한 세그멘테이션 결과를 예시적으로 나타낸 것이다.
도 37은 일 실시예에 따라 복수의 특성을 포함하도록 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 38은 일 실시예에 따른 인공신경망의 학습 과정을 나타낸 순서도이다.
도 39는 일 실시예에 따른 제1 이미지와 제2 이미지의 정합 과정을 나타낸 예시이다.
도 40은 일 실시예에 따른 형태학적(morphological) 수정의 예시를 나타낸 것이다.
도 41은 일 실시예에 따른 영상분석장치의 인공신경망을 이용한 디플로잉(deploying) 과정을 나타낸 순서도이다.
도 42은 일 실시예에 따른 인공신경망의 최종 출력 결과물의 일 예이다.
도 2는 일 실시예에 따른 진단보조정보 제공 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 3은 일 실시예에 따른 영상획득장치의 구성을 나타낸 블록도이다.
도 4는 일 실시예에 따른 영상분석장치의 구성을 나타낸 블록도이다.
도 5는 일 실시예에 따른 진단보조정보 제공 시스템에서 수행되는 진단보조정보 제공 방법의 개괄적인 순서도이다.
도 6은 일 실시예에 따른 메디컬 이미지의 예시이다.
도 7은 일 실시예에 따른 다양한 획득 조건에 따른 메디컬 이미지의 예시를 나타낸 것이다.
도 8은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지 분석 동작의 세부동작을 나타낸 순서도이다.
도 9는 일 실시예에 따른 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 10은 일 실시예에 따른 메디컬 이미지로부터 질병 인덱스를 추출하는 방법의 일 예를 나타낸 순서도이다.
도 11은 일 실시예에 따른 기준 영역과 기준 바운더리가 도시된 메디컬 이미지의 일 예이다.
도 12는 일 실시예에 따른 대상 영역의 영역정보를 획득하는 과정의 일 예이다.
도 13은 일 실시예에 따른 대상 영역의 영역정보를 획득하는 과정의 다른 예이다.
도 14는 일 실시예에 따라 계산된 질병 인덱스에 기초하여 획득된 진단보조정보가 제공되는 일 구현예이다.
도 15는 일 실시예에 따라 수정된 기준 바운더리를 이용하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
도 16은 일 실시예에 따라 기준 바운더리와 비관심 영역이 오버랩 된 경우를 나타낸 것이다.
도 17a 및 도 17b는 일 실시예에 따라 수정된 기준 바운더리를 계산하는 방법의 예시를 나타낸 것이다.
도 18은 일 실시예에 따라 일부가 수정된 기준 바운더리 및 전체적으로 수정된 기준 바운더리의 예시를 나타낸 것이다.
도 19는 일 실시예에 따라 일부가 수정된 기준 바운더리의 구체적인 수정 과정의 예시를 나타낸 것이다.
도 20은 일 실시예에 따라 영상분석장치가 복수의 메디컬 이미지로부터 진단보조정보를 제공하는 방법에 관한 개략적인 순서도이다.
도 21은 일 실시예에 따른 복수의 메디컬 이미지의 일 예를 나타낸 것이다.
도 22는 각각 다른 정보를 포함하고 있는 슬라이스 이미지의들의 예시 및 이를 통한 진단보조정보의 제공에 관한 일 예이다.
도 23은 실시예에 따라 후보 이미지로부터 진단보조정보를 획득하는 방법을 개략적으로 나타낸 순서도이다.
도 24은 일 실시예에 따른 후보 이미지의 예시이다.
도 25는 일 실시예에 따른 후보 이미지로부터 진단보조정보를 제공하는 예시를 나타낸 것이다.
도 26은 일 실시예에 따른 진단보조정보 제공의 다른 구현예이다.
도 27은 일 실시예에 따른 복수의 이미지에 기초하여 질병 인덱스를 획득하는 방법을 나타낸 순서도이다.
도 28은 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 일 예이다.
도 29는 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 다른 예이다.
도 30은 일 실시예에 따른 3D 메디컬 모델에 기초하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
도 31은 일 실시예에 따라 3D 메디컬 모델로부터 질병 인덱스를 산출하는 과정의 일 예를 나타낸 것이다.
도 32는 일 실시예에 따라 3D 메디컬 모델로부터 질병 인덱스를 산출하는 과정의 다른 예를 나타낸 것이다.
도 33은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지의 세그멘테이션 동작을 개괄적으로 나타낸 것이다.
도 34는 일 실시예에 따른 인공신경망 모델의 일 구현예를 나타낸 것이다.
도 35는 일 실시예에 따른 인공신경망 모델의 다른 구현예를 나타낸 것이다.
도 36은 일 실시예에 따른 인공신경망 모델을 이용한 세그멘테이션 결과를 예시적으로 나타낸 것이다.
도 37은 일 실시예에 따라 복수의 특성을 포함하도록 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 38은 일 실시예에 따른 인공신경망의 학습 과정을 나타낸 순서도이다.
도 39는 일 실시예에 따른 제1 이미지와 제2 이미지의 정합 과정을 나타낸 예시이다.
도 40은 일 실시예에 따른 형태학적(morphological) 수정의 예시를 나타낸 것이다.
도 41은 일 실시예에 따른 영상분석장치의 인공신경망을 이용한 디플로잉(deploying) 과정을 나타낸 순서도이다.
도 42은 일 실시예에 따른 인공신경망의 최종 출력 결과물의 일 예이다.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장되어진 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위 뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 명세서는 메디컬 이미지를 분석하고, 메디컬 이미지와 관련된 진단보조정보를 제공하는 방법 및 이를 수행하는 시스템에 관한 것이다.
여기서, 본 명세서에서의 '메디컬 이미지'는 의료 산업상에서 획득될 수 있는 다양한 이미지를 포괄하는 것으로 해석될 수 있다. 즉, 본 명세서에서의 메디컬 이미지는 의료 산업에서 이용되는 다양한 장치들로부터 획득 될 수 있는 이미지들을 통칭할 수 있다. 일 예로, 메디컬 이미지는 자기공명영상(MRI) 과 같이 컴퓨터토모그래피(CT) 장치에서 획득된 이미지 일 수 있다. 다른 예로, 메디컬 이미지는 엑스선촬영장치(X-ray)에서 획득된 메디컬 이미지 일 수 있다. 이에 국한되는 것이 아니며, 일반적인 카메라 장치에서 획득될 수 있는 사진 등 의료산업 분야에서 획득할 수 있는 모든 이미지를 포괄할 수 있다.
뿐만 아니라, 일 실시예에 따른 메디컬 이미지의 대상 객체는 의료 산업상에서 대상이 될 수 있는 모든 피촬영 객체를 포함할 수 있다. 일 예로, 메디컬 이미지는 환자의 이미지일 수 있다. 구체적으로는, 메디컬 이미지는 환자의 신체 특정부위에 관한 이미지일 수 있다. 구체적인 예시로, 메디컬 이미지는 치매가 의심되는 환자의 뇌와 관련된 사진일 수 있으며, 폐암이 의심되는 환자의 폐와 관련된 이미지일 수도 있다. 뿐만 아니라, 일 실시예에 따른 메디컬 이미지의 대상 객체는 인간으로부터 채취한 신체 조직일 수도 있다.
즉, 본 명세서에서의 메디컬 이미지는, 본 발명의 사상에 따른 이미지 분석 방법에 의해 이미지 내의 질병 정보를 획득하고자 하는 의료 산업상의 모든 피촬영 객체에 관한 이미지일 수 있으며, 의료 산업상 이용되는 다양한 장치들로부터 획득된 형식(form)을 가지는 이미지일 수 있는 것이다. 다만, 본 명세서의 이하의 설명에서는 설명의 편의를 위해 인체의 뇌와 관련된 자기공명영상(이하, 'MRI'라 칭함)에 관하여 주로 설명할 것이나, 본 명세서의 사상이 이에 국한되는 것은 아니다.
또한, 본 명세서에서의 '진단보조정보'라 함은 메디컬 이미지로부터 판단할 수 있는 질병과 관련되어 객관적으로 판단될 수 있는 포괄적인 정보를 의미할 수 있다. 일 예로, 본 명세서에서의 진단보조정보라 함은, 특정 질병의 존재 유무 여부일 수 있다. 다른 예로, 진단보조정보는 특정 질병의 진행 정도일 수 있다. 또 다른 예로, 진단보조정보는 질병의 심각도일 수 있다. 또 다른 예로는, 진단보조정보는 평균집단에 대비한 특정 환자의 질환 정도를 수치적으로 나타낸 것일 수도 있다. 이 외에도, 전술한 바와 같이 메디컬 이미지 내에서 판단될 수 있는 질병과 관련된 모든 정보를 통칭하여 본 명세서 내에서 '진단보조정보'라고 표현할 수 있을 것이다.
먼저, 도 1 및 도 2를 참조하여, 일 실시예에 따른 진단보조정보 제공 시스템의 구성 및 예시적인 구현 예를 살펴보도록 한다.
도 1은 일 실시예에 따른 진단보조정보 제공 시스템의 일 구현예이고, 도 2는 일 실시예에 따른 진단보조정보 제공 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 1 및 도 2를 참조하면, 일 실시예에 따른 시스템(10000)은 메디컬 이미지를 분석하여 진단보조정보를 제공할 수 있다.
일 실시예에 따른 시스템(10000)은 영상획득장치(1000) 및 영상분석장치(2000)를 포함할 수 있다.
영상획득장치(1000)는 피촬영 객체로부터 메디컬 이미지를 획득할 수 있다. 여기서, 영상획득장치(1000)는 메디컬 이미지를 획득할 수 있는 다양한 장치 또는 시스템을 의미할 수 있다. 일 예로, 도 1에 도시된 바와 같이, 영상획득장치(1000)는 MRI 장치일 수 있다. 다만, 전술한 바와 같이, 본 명세서에서 의미하는 영상획득장치(1000)가 MRI 장치에 국한되는 것이 아님이 이해될 것이다.
영상분석장치(2000)는 영상획득장치(1000)로부터 획득된 메디컬 이미지를 분석하여 진단보조정보를 제공할 수 있다. 구체적으로, 영상분석장치(2000)는 메디컬 이미지로부터 질병과 관련된 여러 지표들을 추출하고, 추출된 지표들에 기초하여 진단보조정보를 계산할 수 있다. 영상분석장치(2000)에서 수행되는 메디컬 이미지를 분석하는 동작에 관해서는, 후술하여 상세히 설명하도록 하겠다.
또한, 이상에서는 영상획득장치(1000)와 영상분석장치(2000)는 각각 별도의 장치인 것으로 설명하였으나, 이는 예시일 뿐이며 진단보조정보 제공 시스템(10000)으로써 구현될 수 있는 다양한 형태를 포괄할 수 있다. 즉, 일 실시예에 따른 영상분석장치(2000)는 별도의 서버(server)로서 구현될 수도 있으며, 영상획득장치(1000)에 통합된 프로그램으로 구현될 수도 있다. 다만, 본 명세서에서는, 설명의 편의를 위하여 별도의 영상분석장치(2000)로 구현된 시스템(10000)에 대해서 설명하도록 한다.
이하에서는, 일 실시예에 따른 영상획득장치와 영상분석장치의 구성에 대해 도면을 참조하여 설명하도록 한다.
도 3은 일 실시예에 따른 영상획득장치의 구성을 나타낸 블록도이다.
도 3을 참조하면, 일 실시예에 따른 영상획득장치(1000)는 제1 콘트롤러(1002), 이미지 획득 모듈(1200), 제1 메모리(1400) 및 제1 통신모듈(1800)을 포함할 수 있다.
일 실시예에 따르면, 제1 콘트롤러(1002)는 이미지 획득 모듈(1200)에서 획득한 메디컬 이미지를 제1 통신모듈(1800)을 통해 영상분석장치(2000)에 전송할 수 있다.
이하에서는 일 실시예에 따른 영상획득장치(1000)의 각 구성에 대해 설명하기로 한다.
일 실시예에 따르면, 이미지 획득 모듈(1200)은 피촬영 객체에 대한 촬영 결과를 획득할 수 있다. 여기서, 이미지 획득 모듈(1200)은 다양한 메디컬 이미지를 획득하기 위한 구성을 포괄할 수 있다. 일 예로, 이미지 획득 모듈(1200)은 자기공명영상(MRI) 이미지를 획득하기 위한 구성일 수 있다. 다른 예로, 이미지 획득 모듈(1200)은 X-ray 또는 CT 영상을 획득하기 위한 구성일 수도 있다.
여기서, 제1 콘트롤러(1002)는 이미지 획득 모듈의 설정 파라미터를 조절할 수 있다. 예를 들어, 이미지 획득 모듈(1200)이 MRI 이미지를 획득하기 위한 구성인 경우, 제1 콘트롤러(1002)는 MRI 이미지 장치의 반복시간(TR) 및 에코시간(TE)를 조절할 수 있다. 이로써, MRI 이미지 장치는 T1-weighted 이미지 또는 T2-weighted 이미지를 획득할 수 있다. 또한, 제1 콘트롤러(1002)는 MRI 이미지 장치에서 FLAIR 영상을 획득하도록 반전펄스(inversion pulse)와 관련된 파라미터를 조절할 수 있다.
일 실시예에 따른 제1 통신모듈(1800)은 외부 장치 또는 외부 서버와 통신을 수행할 수 있다. 영상획득장치(1000)는 제1 통신모듈(1800)을 통해 영상분석장치(2000) 또는 외부기기(또는 서버)와 데이터 통신을 수행할 수 있다. 예를 들어, 영상획득장치(1000)는 제1 통신모듈(1800)를 이용하여, 메디컬 이미지 또는 메디컬 이미지와 관련된 데이터를 영상분석장치(2000) 또는 외부 기기 에 전송할 수 있다.
제1 통신 모듈(1800)은 크게 유선 타입과 무선 타입으로 나뉜다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서는 영상획득장치(1000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
또 여기서, 무선 타입의 경우에는 주로 블루투스(RPuetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
제1 메모리(1400)는 각종 정보를 저장할 수 있다. 제1 메모리(1400)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 제1 메모리(1400)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다.
제1 메모리(1400)에는 영상획득장치(1000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 영상획득장치(1000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 영상획득장치(1000)의 동작에 필요한 각종 데이터가 저장될 수 있다.
일 실시예에 따른 제1 콘트롤러(1002)는 영상획득장치(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제1 콘트롤러(1002)는 이미지 획득 모듈(1200)로부터 메디컬 이미지를 수신하여 제1 통신모듈(1800)을 통해 데이터 분석 장치(2000)에 전송하도록 제어 신호를 생성할 수 있다.
제1 컨트롤러(1002)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
영상획득장치(1000)는 별도의 전원부를 가지거나 유선 혹은 무선으로 외부로부터 전원을 공급받을 수 있으며 전원부를 제어하는 스위치를 가질수도 있다.
도 4는 일 실시예에 따른 영상분석장치의 구성을 나타낸 블록도이다.
도 4를 참조하면, 영상분석장치(2000)는 제2 콘트롤러(2002), 제2 메모리(2400), 디스플레이 모듈(2600) 및 제2 통신모듈(2800)을 포함할 수 있다.
일 실시예에 따르면, 제2 콘트롤러(2002)는 제2 통신모듈(2800)을 통해 영상획득장치(1000)으로부터 메디컬 이미지를 획득하고, 제2 메모리(2400)에 저장된 분석을 위한 프로그램을 이용하여 상기 메디컬 이미지를 분석하여 메디컬 이미지로부터 진단보조정보를 계산할 수 있다.
이하에서는 일 실시예에 따른 영상분석장치(2000)의 각 구성에 대해 설명한다.
제2 메모리(2400)는 영상분석장치(2000)의 각종 정보를 저장할 수 있다.
제2 메모리(2200)에는 영상분석장치(2000)를 구동하기 위한 운용 프로그램이나 영상분석장치(2000)의 각 구성을 동작시키기 위한 프로그램을 비롯해, 영상분석장치(2000)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 제2 메모리(2400)에는 메디컬 이미지를 가공하기 위한 프로그램 및/또는 가공된 메디컬 이미지를 분석하기 위한 프로그램 등이 저장될 수 있다. 상기 프로그램들은 머신러닝 알고리즘으로 구현될 수 있으며, 구체적인 설명은 후술하도록 한다.
제2 메모리(2400)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다.
제2 메모리(2400)에는 영상분석장치(2000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 영상분석장치(2000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 영상분석장치(2000)의 동작에 필요한 각종 데이터가 저장될 수 있다.
제2 통신모듈(2800)은 외부 기기 또는 외부 서버와 통신을 수행할 수 있다. 영상분석장치(2000)는 제2 통신 모듈(2800)을 이용하여 영상획득장치(1000) 또는 외부 서버와 데이터 통신을 수행할 수 있다. 예를 들어, 영상분석장치(2000)는 제2 통신모듈(2800)을 이용하여 영상획득장치(1000)로부터 진단보조정보를 제공하는 데에 필요한 메디컬 이미지를 획득할 수 있다.
제2 통신 모듈(2800)은 크게 유선 타입과 무선 타입으로 나뉜다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서는 영상분석장치(2000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
또 여기서, 무선 타입의 경우에는 주로 블루투스(RPuetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
제2 콘트롤러(2002)는 영상분석장치(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 제2 메모리(2400)로부터 이미지 데이터 가공 및 분석을 위한 프로그램을 로딩하여 영상획득장치(1000)로부터 획득한 메디컬 이미지를 가공 및 분석하고, 그 결과를 제2 통신모듈(2800)을 통해 외부 기기 또는 외부 서버에 제공하도록 제어 신호를 생성할 수 있다. 영상분석장치(2000)에서 수행되는 구체적인 진단보조정보 제공 방법에 대해서는 후술하여 자세히 설명하도록 한다.
제2 컨트롤러(2002)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
또한, 영상분석장치(2000)는 메디컬 이미지 분석 결과를 출력하기 위한 별도의 디스플레이 모듈(2600)을 더 포함할 수 있다. 디스플레이 모듈은 유저에게 정보를 제공할 수 있도록 다양하게 구현될 수 있다. 여기서, 제2 콘트롤러(2002)는 영상획득장치(1000)로부터 획득한 메디컬 이미지를 가공 및 분석하고, 그 결과를 디스플레이 모듈(2600)을 통해 제공하기 위한 제어 신호를 생성할 수도 있다.
이하에서는, 일 실시예에 따른 진단보조정보 제공 시스템이 수행하는 메디컬 이미지를 분석하여 진단보조정보를 제공하는 방법에 대해 구체적으로 살펴보기로 한다.
도 5는 일 실시예에 따른 진단보조정보 제공 시스템에서 수행되는 진단보조정보 제공 방법의 개괄적인 순서도이다.
도 5를 참조하면, 일 실시예에 따른 진단보조정보 제공 동작은 메디컬 이미지를 획득하는 단계(S1000), 획득된 메디컬 이미지를 분석하는 단계(S1200) 및 분석 결과에 기초하여 진단보조정보를 제공하는 단계(S1400)를 포함할 수 있다.
먼저, 일 실시예에 따른 진단보조정보 제공 시스템(10000)은 피촬영 객체로부터 메디컬 이미지를 획득할 수 있다. 구체적으로, 영상획득장치(1000)는 환자 또는 시료와 같은 피촬영 객체로부터, 진단보조정보를 획득하기 위한 메디컬 이미지를 획득할 수 있다. 보다 더 구체적으로, 영상획득장치(1000) 내의 이미지 획득 모듈(1200)은 피촬영 객체를 촬영하여 메디컬 이미지를 획득하고, 획득된 메디컬 이미지를 제1 통신모듈(1800)을 통해 영상분석장치(2000)로 전송할 수 있다. 여기서, 메디컬 이미지는 복수개일 수 있다. 즉, 영상획득장치(1000)는 피촬영 객체로부터, 특정 방향 또는 특정 평면에 대한 복수개의 단층 이미지를 획득할 수 있다.
여기서, 복수의 메디컬 이미지는 3차원의 정보를 포함할 수 있다. 즉, 메디컬 이미지는 3D 이미지로서 획득될 수도 있다.
또한 여기서, 특정 방향 및 특정 평면은 피촬영 객체의 횡평면(transverse plane), 시상면(saggital plane), 관상면(coronal plane) 등, 피촬영 객체로부터 획득될 수 있는 모든 방향과 평면에 관한 정보를 포함할 수 있다.
이후, 진단보조정보 제공 시스템(10000)은 메디컬 이미지를 분석할 수 있다.(S1200) 영상분석장치(2000)는 영상획득장치(1000)로부터 전송받은 메디컬 이미지를 분석할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 이미지 분석을 위한 프로그램을 이용하여 제2 통신모듈(2800)을 통해 수신한 메디컬 이미지를 분석할 수 있다. 일 예로, 제2 콘트롤러(2002)는, 제2 메모리(2400)에 저장된 프로그램을 이용하여 메디컬 이미지를 세그멘테이션 할 수 있다.
이후, 진단보조정보 제공 시스템(10000)은 메디컬 이미지의 분석 결과에 기초하여 진단보조정보를 획득할 수 있다 (S1400). 즉, 영상분석장치(2000)는 제2 메모리(2400)에 저장된 진단보조정보 획득을 위한 프로그램을 이용하여, 분석된 메디컬 이미지로부터 메디컬 이미지에 포함된 진단보조정보를 획득할 수 있다. 제2 콘트롤러(2002)는 제2 통신모듈(2800)을 통해 계산된 진단보조정보를 외부기기 또는 외부 서버로 전송하거나, 별도로 구비한 디스플레이 모듈(2600) 등을 이용하여 진단보조정보를 출력할 수 있다.
이상에서는, 일 실시예에 따라 진단보조정보 제공 시스템(10000)에서 수행되는 진단보조정보 제공 방법에 대해 개괄적으로 살펴보았다. 이하부터는, 진단보조정보 제공 시스템(10000)에서 수행되는 진단보조정보 제공 방법의 각 단계에 대해 세분화된 동작이나 내용에 대해 설명하도록 한다.
먼저, 메디컬 이미지 획득단계(S1000)와 관련하여, 일 실시예에 따라 영상획득장치(1000)에서 획득될 수 있는 다양한 메디컬 이미지의 예시들을 살펴보기로 한다.
도 6은 일 실시예에 따른 메디컬 이미지의 예시이다.
도 6을 참조하면, 일 실시예에 따른 메디컬 이미지는 다양한 형태로 구현되는 영상획득장치(1000)에 의해 획득될 수 있다. 메디컬 이미지는 다양한 컴퓨터 단층영상 촬영장치에서 촬영된 영상일 수 있다. 또한, 전술한 바와 같이 메디컬 이미지는 복수개의 슬라이스 이미지(slice image)로 구성된 단층영상의 집합일 수도 있다.
일 예로, 메디컬 이미지는 MRI 장치에서 촬영된 MRI 이미지 일 수 있다. (a), (b)는 MRI 장치에서 촬영된 환자의 다양한 신체 부위를 도시한 것이다. 다른 예로, 메디컬 이미지는 X-ray 장치에서 촬영된 X-ray 이미지 일 수 있다. (c)는 X-ray 장치에서 촬영된 환자의 X-ray 이미지를 도시한 것이다. 또 다른 예로, 메디컬 이미지는 CT 장치에서 촬영된 CT 이미지일 수 있다. (d)는 CT 장치에서 촬영된 환자의 CT 이미지를 도시한 것이다.
또한, 일 실시예에 따른 메디컬 이미지는 다양한 신체부위에 관한 이미지일 수 있다. 도 6을 다시 참조하면, 메디컬 이미지는 환자의 뇌나 폐 등의 장기 뿐만 아니라, 척추와 같은 골격, 신경구조를 모두 포괄하는 신체 부위에 관한 이미지일 수 있다.
일 실시예에 따른 메디컬 이미지는, 메디컬 이미지를 획득하는 영상획득장치(1000)의 설정 파라미터에 따라 이미지 내에 포함된 정보가 달라질 수 있다.
도 7은 일 실시예에 따른 다양한 획득 조건에 따른 메디컬 이미지의 예시를 나타낸 것이다.
도 7을 참조하면, 일 실시예에 따른 영상획득장치(1000)는 장치의 파라미터 설정에 따라 다양한 영상을 획득할 수 있다. 예시적으로, 영상획득장치(1000)가 MRI 장치로 구현된 경우, 영상획득장치(1000)는 마그네틱 컨디션(magnetic condition)에 관련된 파라미터를 조절함으로써, 다양한 정보를 포함하고 있는 메디컬 이미지를 획득할 수 있다.
보다 구체적인 예시로, 영상획득장치(1000)는 짧은 TR/TE 시간을 갖도록 파라미터를 설정하여, T1-weighted 이미지를 획득할 수 있다. T1-weighted 이미지는 신호강도가 높아 해부학적 구조물을 명확히 구분하는 데에 유용하다. 즉, T1-weighted 이미지는 인체의 해부학적 특성을 판단하는 데에 주로 이용된다.
또한, 영상획득장치(1000)는 긴 TR/TE 시간을 갖도록 파라미터를 설정하여 T2-weighted 이미지를 획득할 수 있으며, 반전펄스(inversion pulse)를 이용하여 FLAIR(Fluid attenuated inversion recovery) 이미지를 획득할 수도 있다. T2-weighted 이미지와 FLAIR 이미지는 수분이 함유된 영역이 하얗게 보이는 것이 특징이며, 병변영역은 주로 수분 함유량이 높기 때문에, 병변영역을 발견하는 데에 유용하게 이용된다.
이 외에도, 확산강조영상(DWI) 이나, PET, fMRI 등의 특수촬영 기법을 이용한 메디컬 이미지도 본 명세서의 사상에 포함될 수 있다.
이상에서는, 일 실시예에 따른 메디컬 이미지 획득 단계(S1000)에서 획득되는 다양한 메디컬 이미지들의 예시를 살펴보았다. 이하에서는, 획득된 메디컬 이미지를 분석하는 단계(S1200)에 대한 세부내용에 대해 살펴보기로 한다.
도 8은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지 분석 동작의 세부동작을 나타낸 순서도이다.
도 8을 참조하면, 일 실시예에 따른 메디컬 이미지 분석 동작은 메디컬 이미지를 세그멘테이션하는 단계(S2002), 세그멘테이션 된 메디컬 이미지로부터 질병 인덱스를 추출하는 단계(S2004), 추출된 질병 인덱스에 기초하여 진단보조정보를 획득하는 단계(S2006)을 포함할 수 있다.
먼저, 영상분석장치(2000)는 메디컬 이미지를 세그멘테이션 할 수 있다(S2002). 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 이미지 세그멘테이션을 위한 프로그램을 이용하여 메디컬 이미지를 세그멘테이션 할 수 있다. 예시적으로, 제2 콘트롤러(2002)는 뇌와 관련된 메디컬 이미지를 뇌의 영역별로 세그멘테이션 할 수 있다. 여기서, 뇌의 영역은 메디컬 이미지 내에서 발견되는 병변을 의미할 수 있으며, 또한 메디컬 이미지 내에서 발견되는 뇌의 구조적인 영역을 의미할 수도 있다. 즉, 메디컬 이미지 내에서 발견되는 뇌의 영역은, 이미지 내에서 구별될 수 있는 모든 객체를 포함할 수 있다. 정리하자면, 제2 콘트롤러(2002)는 뇌와 관련된 메디컬 이미지를 적어도 2 이상의 영역으로 구분되도록 세그멘테이션 할 수 있다.
제2 메모리(2002)에 저장된 이미지 세그멘테이션을 위한 프로그램은 머신러닝 알고리즘으로 구현될 수 있으며, 이에 관해서는 후술하여 상세히 설명하도록 하겠다.
메디컬 이미지 세그멘테이션 단계(S2002) 이후, 영상분석장치(2000)는 세그멘테이션 된 메디컬 이미지로부터 질병 인덱스를 추출할 수 있다(S2004). 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 알고리즘을 이용하여 세그멘테이션 된 메디컬 이미지에 포함된 각 영역에 기초하여 질병 인덱스를 추출할 수 있다.
본 명세서에서, 질병 인덱스는 메디컬 이미지 내의 뇌의 각 영역간의 관계를 특정 질병과 관련하여 표현한 지표로 정의될 수 있다. 질병 인덱스는 예시적으로 파제카 스케일(Fazekas scale), ARWMC(Age-related whitematter change), Posterior atrophy score of parietal atrophy, MTA(Medial temporal lobe atrophy score), Orbito-Frontal, Anterior Cingulate, Fronto-Insula, Anterior Temporal Scale 등을 포함하여, 메디컬 이미지로부터 질병에 관한 정보를 추출할 수 있는 다양한 지표가 이용될 수 있음이 이해될 것이다.
질병 인덱스 추출 단계(S2004) 이후, 영상분석장치(2000)는 추출된 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 알고리즘을 이용하여, 추출된 질병 인덱스에 기초하여 메디컬 이미지로부터 질병에 관한 정보를 획득하고, 획득된 결과를 출력할 수 있다.
이하에서는, 먼저 질병 인덱스 추출을 위하여 세그멘테이션 된 메디컬 이미지의 예시를 살펴보고, 세그멘테이션 된 메디컬 이미지로부터 질병 인덱스를 추출하는 다양한 실시예들에 대해서 도 9를 참조하여 살펴보기로 한다.
도 9는 일 실시예에 따른 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 9를 참조하면, 영상분석장치(2000)에서 세그멘테이션 된 메디컬 이미지의 예시들이 도시되어 있다.
도 9를 참조하면, 영상분석장치(2000)는 메디컬 이미지를 세그멘테이션 할 수 있다. 여기서, 세그멘테이션은 영상분석장치(2000)가 메디컬 이미지에 포함된 단위 셀(cell)들에 특정 값을 부여하는 것을 의미할 수 있다. 구체적으로, 세그멘테이션은 제2 콘트롤러(2002)가 메디컬 이미지에 포함된 픽셀(pixel) 이나 복셀(voxel)등에 특징 값을 레이블링 하는 것을 의미할 수 있다. 일 예로, 제2 콘트롤러(2002)는, 메디컬 이미지에 포함된 복수의 픽셀에 뇌의 영역을 지칭하는 특징값을 레이블링 할 수 있다.
영상분석장치(2000)는 메디컬 이미지의형식(form)에 대응되도록, 메디컬 이미지를 세그멘테이션 할 수 있다. 여기서, 메디컬 이미지의 형식(form)은 메디컬 이미지가 획득될 때의 획득 조건획득 조건에 대응될 수 있다. 일 예로, 메디컬 이미지가 특정 마그네틱 컨디션 하에서 촬영되는 경우, 메디컬 이미지는 T1-weighted 이미지의 형식(form)을 가질 수 있는 것이다. 본 명세서에서의 이하의 설명에서는, 설명의 편의를 위하여 메디컬 이미지의 형식(form)과 메디컬 이미지의 획득 조건 등의 용어를 혼용하여 사용할 것이나 본 명세서의 사상이 용어의 사용으로 인해 달라지는 것이 아님은 이해될 것이다. 또한, 메디컬 이미지의 형식(form)이나 메디컬 이미지의 획득 조건에 따라 메디컬 이미지가 포함하고 있는 특성(예를 들어, 해부학적 특성 또는 병변적 특성)이 달라질 수 있으므로, 메디컬 이미지의 특성이라는 용어도 혼용되어 사용될 수 있을 것이다.
구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 이미지 세그멘테이션을 위한 프로그램을 이용하여, 메디컬 이미지의 특성이 반영되도록 메디컬 이미지를 세그멘테이션 할 수 있다.
제2 콘트롤러(2002)는 메디컬 이미지에 포함된 픽셀에 뇌의 영역을 지칭하는 값을 레이블링 할 수 있다. 즉, FLAIR 이미지로 구현된 메디컬 이미지 내라면, 제2 콘트롤러(2002)는 백질, 회백질, 뇌실 등으로 구별된 픽셀들에 각각의 영역을 지칭하는 값을 레이블링 할 수 있다.
예시적으로, (a)는 영상분석장치(2000)가 T1-weighted MRI 이미지를 세그멘테이션 한 것이고, (b)는 영상분석장치(2000)가 T2-FLAIR MRI 이미지를 세그멘테이션 한 것이다.
도면에 도시되어 있는 바와 같이, (a) T1-weighted MRI 이미지는 뇌의 해부학적 특성을 파악하기 용이하다. 즉, 영상분석장치(2000)가 T1-weighted MRI 이미지를 세그멘테이션 하는 경우, 영상분석장치(2000)는 뇌를 구성하는 각 부분이 구별되도록 세그멘테이션 할 수 있다. 예를 들어, 일 실시예에 따른 영상분석 장치(2000)는 대뇌, 소뇌, 간뇌, 해마 등 뇌에 포함된 기관이 구별되도록 뇌를 세그멘테이션 할 수도 있고 측두엽, 전두엽, 후두엽 등 뇌의 부위별 위치에 따라 구별되도록 뇌를 세그멘테이션 할 수도 있으며, 이들을 조합하여 세그멘테이션 하는 것도 가능하다. 이처럼, 뇌의 해부학적 특성이 잘 관측되는 T1-weighted MRI 이미지를 분석하여 진단보조정보를 획득하는 경우, 영상분석장치(2000)는 위축성 알츠하이머와 같이, 뇌의 해부학적 특성과 관련있는 질병 정보를 용이하게 분석할 수 있다.
또한, (b) T2 FLAIR MRI 이미지는 뇌의 병변적 특성을 파악하기 용이하다. 일 실시예에 따른 영상분석장치(2000)가 T2-FLAIR MRI 이미지를 세그멘테이션 하는 경우, 영상분석장치(2000)는 뇌의 병변적 특성이 구별되도록 메디컬 이미지를 세그멘테이션 할 수 있다. 여기서, 뇌의 병변적 특성은 메디컬 이미지에서 관측되는 백질고강도신호(white matter hyperintensity, 이하 'WMH'라 칭함)를 통해 검출될 수 있다. 즉, 영상분석장치(2000)는 T2-FLAIR MRI 이미지에서, WMH와 뇌를 구성하는 물질이나 다른 영역들이 구별되도록 메디컬 이미지를 세그멘테이션 할 수 있다. 여기서, 뇌(또는 사람의 머리)를 구성하는 물질들은, 백질(white matter), 회백질(graymatter), 스컬(skull) 등이 있을 것이고, 다른 영역에는 뇌실(ventricle) 등이 있을 수 있다. 영상분석장치(2000)는 WMH의 위치와 뇌의 다른 구성들간의 관계에 기초하여 질병 인덱스를 추출할 수 있으며, 이에 관해서는 후술하여 상세히 설명하도록 하겠다.
도면에서는 예시적으로 T1-weighted MRI 이미지와 T2-FLAIR MRI 이미지 위주로 설명하였으나, 전술한 바와 같이 본 명세서의 사상이 이에 국한되는 것은 아니며 DWI, SWI 등의 다른 마그네틱 컨디션 조건하에서 촬영된 MRI 이미지나, X-ray, CT 등 다른 촬영기기로 촬영된 메디컬 이미지가 모두 이용될 수 있다.
또한, 영상분석장치(2000)는 특정 특성을 가지는(즉, 특정 획득 조건 하에서 획득된) 메디컬 이미지가, 다른 특성에 관한 정보를 포함하도록 세그멘테이션을 수행할 수도 있다. 구체적으로, 제2 콘트롤러(2002)는, 제2 메모리(2400)에 저장된 머신러닝 알고리즘을 이용하여 제1 조건하에서 촬영되어 제1 특성을 가지는 메디컬 이미지에, 제1 특성 뿐 아니라 제2 조건하에서 촬영되는 경우 획득될 수 있는 제2 특성의 정보를 함께 포함하도록 세그멘테이션을 수행할 수 있다. 예를 들어, T2-FLAIR MRI 이미지를 세그멘테이션 하는 경우, 영상분석장치(2000)는 T1-weighted MRI 이미지에서 관측될 수 있는 해부학적 정보까지 함께 포함되도록 T2-FLAIR 이미지를 세그멘테이션 할 수 있다. 이와 관련하여는 후술하여 도면을 참조하여 상세히 설명하도록 하겠다.
이하에서는, 세그멘테이션 된 메디컬 이미지로부터 질병 인덱스를 추출하는 구체적인 방법의 일 구현예에 대하여 도면을 참조하여 설명하도록 한다.
도 10은 일 실시예에 따른 메디컬 이미지로부터 질병 인덱스를 추출하는 방법의 일 예를 나타낸 순서도이고, 도 11은 기준 영역과 기준 바운더리가 도시된 메디컬 이미지의 일 예이며, 도 12는 대상 영역의 영역정보를 획득하는 일 예이며, 도 13은 대상 영역의 영역정보를 획득하는 다른 예시이다. 도 14는 계산된 질병 인덱스에 기초하여 획득된 진단보조정보가 제공되는 일 구현예이다.
먼저, 도 10을 참조하여 개괄적인 플로우에 대하여 설명한다. 일 실시예에 따라 영상분석장치(2000)에서 수행되는 세그멘테이션 된 메디컬 이미지로부터 질병 인덱스를 추출하는 방법은 세그멘테이션 된 메디컬 이미지에서 기준 영역을 검출하는 단계(S2102), 검출된 기준 영역에 기초하여 기준 바운더리를 설정하는 단계(S2104) 및 기준 바운더리와 대상 영역의 관계에 기초하여 질병 인덱스를 추출하는 단계(S2106)을 포함할 수 있다.
영상분석장치(2000)는 세그멘테이션 된 메디컬 이미지로부터 기준 영역을 검출할 수 있다.(S2102) 구체적으로, 제2 콘트롤러(2002)는, 세그멘테이션 된 메디컬 이미지에서 기준 영역을 지시하도록 레이블링 된 픽셀들을 검출하고, 이들의 집합을 기준 영역으로 판단할 수 있다. 여기서, 기준 영역은, 후술할 바와 같이 메디컬 이미지 내에 포함되어 특정 질병 인덱스를 계산하기 위한 기준이 되는 영역을 의미할 수 있다. 일 예로, 기준 영역은 뇌실(ventricle) 영역일 수 있다. 다른 예로, 기준 영역은 백질 영역일 수 있다.
여기서, 기준 영역은 기준 영역을 지시하도록 레이블링 된 픽셀들의 집합에서 일정 영역 이상의 버퍼영역이 추가된 영역일 수 있다. 기준영역은 기준 영역을 지시하도록 레이블링 된 픽셀들의 집합에서 외곽 부분의 일정 픽셀들은 제거한 영역으로 정의될 수 있다.
또한, 영상분석장치(2000)는 세그멘테이션 된 메디컬 이미지로부터 분석 대상에 대응되는 영역을 검출할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 분석 대상을 지시하도록 레이블링 된 픽셀들을 검출하고, 이들의 집합을 분석 대상 영역(이하 '대상 영역'이라 칭함)으로 판단할 수 있다.여기서, 대상 영역은, 후술할 바와 같이 메디컬 이미지 내에 포함될 수 있으며, 특정 질병 인덱스를 계산하기 위한 분석의 대상이 되는 영역을 의미할 수 있다. 일 예로, 대상 영역은 WMH 영역을 의미할 수 있다. 대상 영역을 검출하는 방식은 전술한 뇌실 영역을 검출하는 방식과 유사하므로, 자세한 설명은 생략하도록 하겠다.
기준 영역이 검출되면, 영상분석장치(2000)는 검출된 기준 영역에 기초하여 기준 바운더리를 설정할 수 있다.(S2104). 구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지 내에서 검출된 뇌실 영역으로부터 미리 정해진 거리만큼 떨어져 있는 경계를 기준 바운더리로 설정할 수 있다.
여기서, 기준 바운더리는 후술할 바와 같이 기준 영역과 대상 영역의 관계를 도출하여 질병 인덱스를 추출하기 위한 기준이 되는 경계를 의미할 수 있다. 즉, 알츠하이머와 관련된 질병 정보를 판단함에 있어 Fazekas scale과 같은 질병 인덱스가 이용되는 경우, 뇌실(ventricle)과 WMH간의 위치적 관계가 중요한 지표로 이용될 수 있고, 상기 뇌실(ventricle)과 WMH 간의 위치적 관계를 파악하기 위한 기준으로서, 기준 바운더리가 이용되는 것이다. 이때, 뇌실의 경우 Fazekas scale의 기준 영역으로, WMH의 경우 Fazekas scale의 대상 영역으로 결정될 수 있다.
또한, 여기서 기준 바운더리를 획득하기 위하여, 기준 영역 내의 임의의 지점으로부터 미리 정해진 거리가 계산될 수 있다. 즉, 예를 들어, 기준 바운더리는 기준 영역의 외곽에 있는 픽셀로부터 미리 정해진 거리만큼 떨어진 픽셀들의 집합을 의미할 수 있다. 이 경우, 미리 정해진 거리의 기준이 되는 방향은, 기준 영역의 경계면의 법선 방향이 바람직할 것이다. 다른 예로, 기준 바운더리는 기준 영역의 중심으로부터 미리 정해진 거리만큼 떨어진 픽셀들의 집합을 의미할 수도 있다.
도 11을 참조하여 기준 바운더리에 관련하여 설명하도록 한다.
도 11을 참조하면, T2-FLAIR MRI 이미지 내에, 뇌실(ventricle), WMH, 백질, 회백질, 스컬 등이 세그멘테이션 된 결과가 도시되어 있다.
영상분석장치(2000)는 질병 인덱스로서 Fazekas scale을 이용할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 뇌실 영역을 기준 영역으로 결정하고, WMH 영역을 대상 영역으로 결정하여 Fazekas scale을 계산할 수 있다. 여기서, 제2 콘트롤러(2002)는 Fazekas scale을 계산하기 위한 기준 바운더리로서, 뇌실(ventricle)로 레이블링 된 픽셀로부터 미리 정해진 거리만큼 떨어진 픽셀들의 집합을 기준 바운더리로 설정할 수 있다. 또한, 기준 바운더리는, 뇌실 영역의 외곽에 있는 픽셀들로부터 산정될 수 있으며, 미리 정해진 거리는 10mm로 계산될 수 있다. 다만 이는 예시적인 수치일 뿐이며, 5mm 내지 15mm 범위 내에서 임의의 거리가 정해질 수 있다.
도 11을 참조하면, 기준 바운더리 내부 및 외부 모두에 WMH가 존재하는 것으로 도시되어 있다. 기준 바운더리 내부 및 외부에 존재하는 WMH는 진단보조정보를 판단하는 데에 중요한 팩터(factor)로 작용한다. 구체적으로, WMH가 차지하는 영역과 관련된 정보(이하 '영역정보')와 기준 바운더리 간의 관계가 진단보조정보에 밀접한 관련성이 있다. 따라서, WMH가 세그멘테이션 된 메디컬 이미지로부터, WMH의 영역정보를 산출하는 방법에 대해 도 12 내지 도 13을 참조하여 설명한다..
의학적 연구에 따르면, 일반적으로 뇌의 영역 중에서 상대적으로 뇌실과 가까운 백질 영역이 상대적으로 뇌실과 멀리 떨어진 백질 영역보다 변성이 쉽게 되는 경향이 있다. 따라서, 메디컬 이미지에 포함된 뇌실 주위에 형성된 WMH 영역과 상대적으로 뇌실로부터 멀리 떨어진 WMH 영역은 각각 질병과 관련된 다른 정보를 포함하고 있을 수 있다. 이에 따라, 메디컬 이미지 내에 포함된 WMH 영역을 분석함에 있어서는 뇌실과의 거리를 고려하여 분석해야 될 필요가 있다.
도 12 및 도 13은, 기준 영역과 대상 영역의 거리를 고려하여, 대상 영역에 관한 영역 정보를 획득하는 방법의 예시를 나타낸 것이다.
도 12를 참조하면, 일 실시예에 따른 영상분석장치(2000)는 메디컬 이미지 내의 대상 영역의 영역 정보를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 세그멘테이션 결과에 기초하여, 메디컬 이미지 내의 대상 영역에 대한 영역정보를 획득할 수 있다. 여기서, 영역 정보는 특정 영역의 두께 또는 넓이를 의미할 수 있다. 또한, 후술할 바와 같이, 메디컬 이미지가 3D 로 구현된 경우, 영역 정보는 부피를 의미할 수도 있다.
먼저, 일 실시예에 따라 Fazekas scale을 기초로 질병 인덱스를 계산하는 경우에, 메디컬 이미지에 포함된 기준 영역 근처에 존재하는, 즉 전술한 기준 바운더리 내에 존재하는 대상 영역의 영역 정보를 계산하는 방법에 대해 설명하도록 한다.
영상분석장치(2000)는 기준 영역으로부터 대상 영역까지의 거리에 기초하여 대상 영역의 영역 정보를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지 내에 기준 영역으로 레이블링 된 영역에서, 대상 영역으로 레이블링 된 영역까지의 거리에 기초하여 대상 영역의 영역 정보를 계산할 수 있다.
예컨대, 제2 콘트롤러(2002)는 메디컬 이미지 내의 뇌실로 레이블링 된 영역에서 WMH로 레이블링 된 영역까지의 거리에 기초하여 WMH 영역의 두께를 계산할 수 있다. 여기서, 거리의 기준은 뇌실로 레이블링 된 영역의 바운더리에서 법선방향으로 정의될 수 있다. 또한 여기서, 계산된 WMH의 두께 중 가장 크게 나오는 길이를 WMH의 두께로 측정할 수 있다. 보다 더 구체적으로, 제2 콘트롤러(2002)는 뇌실로 레이블링 된 영역의 바운더리로부터 법선 방향으로 가장 가까이 위치한 WMH 영역을 제1 포인트로 결정하고, 가장 멀리 위치한 WMH 영역을 제2 포인트로 결정하여, 제1 포인트와 제2 포인트 사이의 거리를 WMH 영역의 두께(폭)으로 판단할 수 있다. 여기서, 만약 WMH 영역이 뇌실 영역과 연결되어(붙어서) 형성되는 경우, 제1 포인트는 뇌실 상의 한 포인트로 결정될 수도 있을 것이다.
즉, 이를 다르게 표현하자면, 제2 콘트롤러(2002)는 메디컬 이미지 내의 뇌실 영역의 바운더리에서 법선 방향으로 레이(ray)를 생성하고, 생성된 레이(ray)들과 WMH로 레이블링 된 픽셀들의 접점을 고려하여 WMH의 두께를 계산할 수 있다. 여기서, 레이(ray)와 WMH로 레이블링 된 픽셀들의 접점은, 뇌실 영역과 WMH 영역 사이의 거리가 가깝게 측정되는 제1 접점 및 가장 멀게 측정되는 제2 접점을 포함할 수 있다. 즉, 제2 콘트롤러(2002)는 상기 제1 접점 및 제2 접점 사이의 거리를 고려하여 WMH 영역의 두께(폭)을 계산할 수 있다. 여기서, 제1 접점이 뇌실 영역 상에 존재할 수 있음은 전술한 바와 같다.
레이(ray)를 이용한 방식은 전술한 기준 바운더리 내에 위치하는 WMH에 적용하는 것이 바람직 하나, 반드시 이에 국한되는 것은 아니며, 기준 바운더리 이외의 WMH에 대해서도 동일한 방식이 적용될 수 있다.
또한, 도 13에는 기준 바운더리 외의 WMH에 대한 영역정보를 계산하는 방식이 도시되어 있다.
도 13을 참조하면, 영상분석장치(2000)는 주성분 분석기법을 이용하여 대상 영역의 영역정보를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 주성분 분석기법(principal component analysis)을 이용하여 대상 영역의 적어도 2 이상의 주성분을 추출하고, 추출된 주성분에 기초하여 대상 영역의 영역정보를 계산할 수 있다.
예컨대, 제2 콘트롤러(2002)는 메디컬 이미지 내의 WMH로 레이블링 된 영역에서, 적어도 2 이상의 축에 대한 주성분을 추출할 수 있다. 여기서, 주성분은 다양하게 추출될 수 있으나, WMH로 레이블링 된 영역 내에서 단축(short axis) 및 장축(long axis)으로 추출되는 것이 바람직할 것이다. 주성분이 추출되면, 제2 콘트롤러(2002)는 추출된 주성분에 기초하여 WMH로 레이블링 된 영역의 두께를 계산할 수 있다.
즉, 이를 다르게 표현하자면, 제2 콘트롤러(2002)는 WMH로 레이블링 된 영역에 대해 주성분 분석기법을 수행하여 장축 및 단축에 대한 방향과 크기를 획득하고, 장축에 대한 길이에 기초하여 WMH로 레이블링 된 영역의 두께를 계산할 수 있다. 또는, 제2 콘트롤러(2002)가 WMH 영역의 폭을 계산할 수 있다고도 표현할 수 있을 것이다.
이상에서는, 메디컬 이미지로부터 질병 인덱스를 획득하기 위하여 이용되는 대상 영역의 영역정보를 계산하는 방식에 대해 살펴보았다. 또한, 대상 영역의 영역 정보를 획득함에 있어서, 대상 영역과 기준 영역의 위치 관계도 고려될 수 있음을 설명하였다.
이하에서는, 다시 도 10을 참조하여, 계산된 WMH의 영역정보와 기준 바운더리에 기초하여 질병 인덱스를 추출하는 방법에 대해 설명하도록 한다.
다시 도 10을 참조하면, 영상분석장치(2000)는 메디컬 이미지 내에 설정된 기준 바운더리와 대상 영역의 영역정보에 기초하여 질병인덱스를 계산할 수 있다.(S2106)
구체적으로, 제2 콘트롤러(2002)는 기준 바운더리와 대상 영역 간의 상관관계 및 대상 영역의 영역 정보를 종합적으로 고려하여 질병 인덱스를 계산할 수 있다.
여기서, 상관관계는 일 예로 WMH가 기준 바운더리 내부 또는 외부에 위치하는지에 대한 여부일 수 있다.
구체적인 예시를 들자면, WMH의 두께가 클수록 질병의 심각성이 높다고 판단되는 것이 일반적이나, 일 실시예에 따른 질병 인덱스 추출 방법은 WMH의 두께 뿐 아니라, WMH가 기준 바운더리 내에 존재하는 지, 기준 바운더리 외에 존재하는 지 여부를 종합적으로 고려할 수 있다.
| 등급 | 제1 질병 인덱스 | 제2 질병 인덱스 | 제3 질병 인덱스 |
| 0 | 백질 변성 없음 | 백질 변성 없음 | 제1 질병 인덱스와 제2 질병 인덱스를 고려하여 산정 |
| 1 | 뇌실 주위 '캡' 또는 선형의 변성 | 심부 백질 상의 반점 형상의 변성 | |
| 2 | 뇌실 주위 부드러운 '헤일로' 형태의 변성 | 뇌실 주위 변성 영역과 합류 시작 | |
| 3 | 심부 백질까지 연장된 불규칙적인 뇌실 주위 변성 | 뇌실 주위 변성 영역과 큰 합류영역 형성 |
| 등급 | 제1 질병 인덱스 | 제2 질병 인덱스 | 제3 질병 인덱스 |
| 0 | WMH 없음 | WMH 없음 | 제1 질병 인덱스가 0, 제2 질병 인덱스가 0인 경우 |
| 1 | 기준 바운더리 이내에서 백질 변성의 두께가 5mm 미만 | 기준 바운더리 외에서 백질 변성의 두께 또는 길이가 10mm 미만 | 제1 질병 인덱스가 1 ~ 2 등급이면서, 제2 질병 인덱스가 1 등급인 경우 |
| 2 | 기준 바운더리 이내에서 백질 변성의 두께가 5mm 이상 10 mm 미만 | 기준 바운더리 외에서 백질 변성의 두께 또는 길이가 10mm 이상 25mm 미만 | 제1 질병 인덱스가 1~3 등급이면서 제2 질병 인덱스가 2등급인경우 또는 제1 질병 인덱스가 3등급이면서 제2 질병 인덱스가 1등급인 경우 |
| 3 | 기준 바운더리 이내로부터 측정된 백질 변성의 두께가 10mm 이상 | 기준 바운더리 외에서 백질 변성의 두께 또는 길이가 25mm 이상 | 제2 질병 인덱스가 3등급이면서 제1 질병 인덱스가 1~3등급인 경우 |
표 1을 참조하면, 기존의 의료 산업 현장에서 이용되는 파제카 스케일(Fazeka scale)을 계산하기 위한 기준의 일 예가 나타나 있다. 파제카 스케일(Fazekas scale)은 여러 논문에 게재된 질병 인덱스의 계산 방법으로써, 의료 산업 현장에서 공신력 있는 질병 인덱스의 계산 방법으로 이용되고 있다. 그러나, 표 1에 나타나 있듯이, 기존의 의료 산업에서는 모호한 기준에 기초하여 의사의 주관에 따라 질병 인덱스를 계산하고 있어 환자에게 객관적인 진단 정보 또는 진단보조정보를 제공하지 못하는 문제점이 있었다.
표 2는 일 실시예에 따른 영상분석장치가 수행하는 질병 인덱스 계산의 기준을 나타낸 것이다.
이에, 표 2를 참조하면, 일 실시예에 따른 영상분석장치(2000)는, 명확한 기준에 따라 질병 인덱스를 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 질병 인덱스를 계산하기 위한 기준에 따라, 메디컬 이미지로부터 질병 인덱스를 계산할 수 있다.
여기서, 영상분석장치(2000)가 질병 인덱스를 계산하기 위한 기준은 의료 산업 현장에서 미리 획득된 여러 진단 결과 내지는 진단 보조 결과에 기초하여 결정될 수 있다. 즉, 일 실시예에 따르면, 영상분석장치(2000)는 의료 산업 현장으로부터 미리 획득되어 질병 인덱스가 계산된 복수의 메디컬 이미지를 분석한 결과로서 정량화된 기준을 이용하여, 메디컬 이미지로부터 질병 인덱스를 계산할 수 있는 것이다.
즉, 영상분석장치(2000)는 메디컬 이미지를 분석하여 소정의 기준에 따라 계산할 질병 인덱스를 결정하고, 계산이 결정된 질병 인덱스에 대응하는 질병 인덱스의 등급을 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 기준 영역으로부터 기준 바운더리를 판단하고, 결정된 기준 바운더리와 대상 영역간의 관계를 고려하여 계산할 질병 인덱스를 결정하고, 결정된 질병 인덱스에 대응하는 등급 값을 계산할 수 있다.
여기서, 계산할 질병 인덱스를 결정하기 위한 소정의 기준은 전술한 기준 바운더리가 될 수 있다. 예컨대, 대상 영역이 기준 바운더리 내에 존재하는지 또는 대상 영역이 기준 바운더리 외부에 존재하는 지 여부에 따라, 영상분석장치(2000)가 계산할 질병 인덱스의 종류가 달라질 수 있다.
여기서, 동일한 질병 인덱스를 계산함에 있어서, 질병 인덱스의 등급을 구별하기 위한 기준이 존재할 수 있다. 일 예로, 미리 정해진 기준은 대상 영역의 영역 정보와 관련된 기준일 수 있다.
다시 표 2를 참조하면, 일 실시예에 따른 질병 인덱스는 제1 내지 제3 질병 인덱스를 포함할 수 있다.표 2에 도시된 질병 인덱스는 Fazekas scale을 의미할 수 있다. 제1 질병 인덱스는 뇌실 주위 백질(Peri-ventricular white matter)에 관련된 질병 인덱스이고, 제2 질병 인덱스는 심부 백질(Deep white matter)에 관련된 질병 인덱스를 나타내며, 제3 질병 인덱스는 제1 및 제2 질병 인덱스를 고려하여 계산되는 종합(Total) 지표를 나타낼 수 있다.
여기서, 기준 바운더리는 제1 질병 인덱스와 제2 질병 인덱스를 구분하기 위하여 이용될 수 있다. 즉, 전술한 바와 같이, 제2 콘트롤러(2002)는 기준 바운더리를 이용하여 기준 바운더리 내의 대상 영역으로부터 제1 질병 인덱스를 계산할 수 있다. 제2 콘트롤러(2002)는 기준 바운더리를 이용하여 기준 바운더리 외의 대상 영역으로부터 제2 질병 인덱스를 계산할 수 있다.
또한, 동일한 질병 인덱스 내에서 등급이 구별될 수 있다. 즉, 제2 콘트롤러(2002)는 미리 정해진 기준에 따라 메디컬 이미지로부터 특정 질병 인덱스에 대응하는 등급값을 계산할 수 있다.
여기서, 미리 정해진 기준은 대상 영역의 영역 정보와 관련될 수 있다. 일 예로, 대상 영역을 지시하는 셀(cell)이 존재하지 않거나, 미리 정해진 수 이하로 판단 된다면, 제2 콘트롤러(2002)는 특정 질병 인덱스의 등급 값이 0이라고 판단할 수 있다. 다른 예로, 대상 영역의 두께가 제1 값 이상으로 획득된 경우, 제2 콘트롤러(2002)는 특정 질병 인덱스의 등급 값이 1 이라고 판단할 수 있다. 또 다른 예로, 대상 영역의 두께가 제 2값 이상으로 획득된 경우, 제2 콘트롤러(2002)는 특정 질병 인덱스의 등급 값이 2라고 판단할 수 있다. 또 다른 예로, 대상 영역의 두께가 제3 값 이상으로 측정되거나 다른 대상 영역과 연결되는 경우 제2 콘트롤러(2002)는 특정 질병 인덱스의 등급 값이 3 이라고 판단할 수 있다.
즉, 표 2를 참조한 예시를 들자면, 제2 콘트롤러(2002)는 메디컬 이미지의 분석 결과로, 기준 바운더리 내에 포함된 대상 영역에 기초하여 제1 질병 인덱스를 계산할 수 있고, 상기 기준 바운더리 내에 포함된 대상 영역의 영역 정보를 고려하여 제1 질병 인덱스와 관련된 등급 값을 계산할 수 있다.
또한, 영상분석장치(2000)는 동일한 메디컬 이미지 내에서, 제1 질병 인덱스와 제2 질병 인덱스에 관련된 값을 모두 계산할 수도 있다. 메디컬 이미지의 세그멘테이션 결과 기준 바운더리 내 외부에 모두 대상 영역이 존재하는 경우, 제2 콘트롤러(2002)는 제1 질병 인덱스 및 제2 질병 인덱스에 관한 등급을 모두 계산할 수 있다.
또한, 영상분석장치(2000)는, 제1 질병 인덱스 및/또는 제2 질병 인덱스를 고려하여 제3 질병 인덱스를 계산할 수도 있다.
도 14는 일 실시예에 따른 질병 인덱스 및 질병 인덱스에 기초한 진단보조정보를 제공하는 디스플레이의 일 구현예이다.
도 14를 참조하면, 영상분석장치(2000)는 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지의 분석 결과로 질병 인덱스를 획득할 수 있고, 획득한 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다.
도면을 참조하여 구체적인 예시로써 설명하자면, 제2 콘트롤러(2002)는 메디컬 이미지의 분석 결과를 기초로 하여, 기준 바운더리 내의 대상 영역과 관련된 질병 인덱스를 제공할 수 있다. 또한, 질병 인덱스에 기초하여, 질병 인덱스가 어떠한 의미를 가지는 지에 대한 정보를 제공할 수도 있다.
여기서, 전술한 바와 같이 질병 인덱스는, 메디컬 이미지 내에서 판단할 수 있는 질병의 진행정도 또는 심각도에 관한 척도(내지는 기준)를 의미할 수 있다. 예를 들어, 질병 인덱스의 기준이 Fazekas scale이라고 한다면, 질병 인덱스는 Fazekas scale의 등급으로 표현될 수 있다.
또한, 진단보조정보는 상기 질병 인덱스에 기초하여 판단될 수 있는 질병에 관련된 정보를 의미할 수 있다. 예를 들어, 전술한 질병 인덱스가 Fazekas scale로써 특정 등급이 계산되는 경우, 진단보조정보는 현재 질병의 진행 정도, 정상범주와의 차이, 연령별 평균과의 차이 등 질병 인덱스로부터 유추할 수 있는 질병에 관한 정보를 의미할 수 있는 것이다.
메디컬 이미지로부터 획득할 수 있는 진단보조정보와 비교 대상이 되는 진단보조정보들, 예를 들어 연령별 평균값, 정상인의 질병 지표값 등, 은 미리 획득되어 제2 메모리(2400)에 저장될 수 있으며 지속적으로 업데이트 될 수 있다.
이상에서 설명한 바와 같이, 영상분석장치(2000)에서 명확한 기준을 설정하여 메디컬 이미지로부터 질병 인덱스를 추출하고, 추출된 질병 인덱스에 기초하여 진단보조정보를 제공함으로써, 그동안 의료 산업상에서 의사의 주관적인 판단에 의존했던 질병에 관한 정보 보다 객관적이고 정확한 진단보조정보 획득이 가능해지는 효과가 도출될 수 있다.
이상에서는 진단보조정보를 제공하는 방법의 일 실시예로써 미리 정해진 기준 바운더리를 이용하는 방법에 대하여 설명하였다. 다만, 메디컬 이미지의 특성에 따라, 고정된 기준 바운더리를 이용하는 것 보다, 메디컬 이미지의 특성을 고려하여 기준 바운더리가 수정되는 것이 보다 더 정확한 진단보조정보를 제공하는 데에 필요할 수 있다.
이하에서는, 일 실시예에 따른 진단보조정보를 제공하는 방법의 다른 실시예로써, 수정된 기준 바운더리를 이용하는 방법에 대해 도면을 참조하여 설명하도록 한다.
먼저 도 15를 참조하여, 일 실시예에 따른 메디컬 이미지로부터 질병 인덱스를 추출하고, 질병 정보를 획득하는 다른 예에 대해 개괄적으로 설명하도록 한다.
도 15는 일 실시예에 따라 수정된 기준 바운더리를 이용하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
도 15를 참조하면, 일 실시예에 따른 진단보조정보 제공 방법은 세그멘테이션 된 메디컬 이미지로부터 기준 영역을 검출하는 단계(S2202), 검출된 기준 영역에 기초하여 기준 바운더리를 설정하는 단계(S2204), 기준 바운더리와 비관심 영역의 오버랩 여부를 판단하는 단계(S2206), 기준 바운더리를 수정하는 단계(S2208) 및 수정된 기준 바운더리에 기초하여 질병 인덱스를 획득하는 단계(S2210)를 포함할 수 있다.
먼저, 영상분석장치(2000)는, 도 10 내지 도 14를 참조하여 설명한 실시예에서 수행한 동작과 유사하게 기준 영역 검출단계(S2202), 검출된 기준영역에 기초하여 기준 바운더리를 설정하는 단계(S2204)를 수행할 수 있으므로, 자세한 설명은 생략하도록 한다.
기준 바운더리가 설정되면, 영상분석장치(2000)는 설정된 기준 바운더리가 세그멘테이션 된 메디컬 이미지의 비관심 영역과 오버랩 되는지 여부를 판단할 수 있다.(S2206) 구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지 내에서, 설정된 기준 바운더리에 해당하는 픽셀이 비관심 영역을 지시한 값으로 레이블링 된 픽셀에 포함되는 지 여부를 판단할 수 있다. 여기서, 비관심 영역은 회백질 영역일 수 있다.
잠시 도 16을 참조하여 설명한다.
도 16은 일 실시예에 따른 기준 바운더리와 비관심 영역이 오버랩 된 경우를 나타낸 것이다.
도 16을 참조하면, 메디컬 이미지 내의 회백질로 레이블링 된 영역에 기준 바운더리가 오버랩 된 것이 도시되어 있다.
일반적으로, WMH는 백질에 주로 발생하며 회백질 영역에서는 WMH가 발견되지 않는다. 이러한 이유에서, 기준 바운더리가 회백질 영역을 침범하는 경우에 기존과 같이 질병 인덱스를 추출하는 경우, 질병 인덱스가 부정확하게 계산될 수 있으며, 이에 따라 질병 인덱스에 기초한 진단보조정보 역시도 부정확한 정보일 확률이 높아진다. 따라서, 기준 바운더리가 회백질 영역 등에 오버랩 된 경우, 기준 바운더리를 수정하여 수정된 기준 바운더리에 의해 질병 인덱스를 계산할 필요가 있다.
본 명세서의 이하의 설명에서는, 백질 영역과 같이 대상 영역(예를 들어 WMH)이 관측될 수 있는 영역에 대하여 '관심 영역' 이라고 지칭하기로 하며, 회백질 영역과 같이 대상 영역(WMH)가 관측되지 않는 영역에 대해서는 '비관심 영역' 이라는 용어를 사용하도록 한다.
따라서, 제2 콘트롤러(2002)는 메디컬 이미지를 세그멘테이션 하고 기준 바운더리를 설정한 이후, 기준 바운더리가 회백질로 레이블링 된 영역의 적어도 일부와 오버랩 되는 경우 기준 바운더리를 수정할 수 있다.(S2208)
다시 도 15를 참조하면, 기준 바운더리가 수정되면, 영상분석장치(2000)는 수정된 기준 바운더리에 기초하여 질병 인덱스를 획득할 수 있다.(S2210) 질병 인덱스를 획득하는 방법에 대해서는 도 10 내지 도 14를 참조하여 설명한 실시예와 유사하므로, 자세한 설명은 생략하도록 하겠다.
이하에서는, 기준 바운더리를 수정의 예시에 대하여 도면을 참조하여 설명하도록 한다.
도 17a 및 도 17b는 일 실시예에 따라 수정된 기준 바운더리를 계산하는 방법의 여러 예시이다.
도 17a 및 도 17b를 참조하면, 영상분석장치(2000)는 기준 바운더리를 수정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 기준 바운더리를 수정하여, 수정된 기준 바운더리가 비관심 영역으로 레이블링 된 영역과 기준 영역으로 레이블링 된 영역 사이에 위치하도록 변경할 수 있다. 여기서, 기준 바운더리는 기준 영역과 비관심 영역사이의 간격을 미리 정해진 비율로 내분하도록 위치할 수 있다. 여기서, 미리 정해진 비율은 다양한 요인을 고려하여 설정될 수 있다. 일 예로는 미리 정해진 비율은 비관심 영역과 기준 영역 사이의 거리를 고려하여 결정될 수 있다. 즉, 제2 콘트롤러(2002)는 기준 영역과 비관심 영역 간의 거리, 비관심 영역과 오버랩 되는 기준 바운더리의 위치 및/또는 기준 영역의 형상 등을 포함하는 메디컬 이미지 내에서 고려될 수 있는 다양한 요소들을 반영하여 기준 바운더리를 수정할 수 있다.
도면을 참조하여 구체적인 예시를 들자면, 도 17a의 경우에는 비관심 영역(회백질)과 기준 영역(뇌실) 사이의 거리가 상대적으로 가까워, 기준 바운더리가 비관심 영역과 상대적으로 많은 부분에 오버랩 되어있는 것이 도시되어 있다. 이 경우, 제2 콘트롤러는 비관심 영역과 기준 영역 사이의 거리를 고려하여, 수정된 기준 바운더리가 회백질 영역과 뇌실 영역 중간(뇌실과 회백질간의 거리를 5:5로 내분하도록)에 위치하도록 기준 바운더리를 수정할 수 있다.
또한 도 17b의 경우, 비관심 영역(회백질)과 기준 영역(뇌실) 사이의 거리가 상대적으로 멀고, 기준 바운더리가 상대적으로 비관심 영역에 적은 부분에만 오버랩 된 것이 도시되어 있다. 이 경우, 제2 콘트롤러(2002)는 수정된 기준 바운더리가 비관심 영역에 보다 더 가까워 지도록 기준 바운더리를 수정할 수 있다.
또한, 일 실시예에 따르면 하나의 메디컬 이미지에서 결정된 기준 바운더리가, 복수의 비관심 영역과 오버랩 되는 경우가 있다. 즉 예시적으로, 도 17(a)와 도 17(b)와 같은 상황이 하나의 메디컬 이미지 내에서 발생할 수도 있다.
이런 경우, 제2 콘트롤러(2002)는 기준 바운더리 내에서 비관심 영역과 오버랩되는 제1 구간과 제2 구간이 다른 비율을 가지도록 기준 바운더리를 수정할 수 있다. 예시적으로, 제2 콘트롤러(2002)는 제1 구간에서는 도 17a에서 상술한 바와 같이 기준 바운더리를 수정할 수 있고, 제2 구간에서는 도 17b에서 상술한 바와 같이 기준 바운더리를 수정할 수 있을 것이다.
이를 달리 표현하자면, 제2 콘트롤러(2002)는 비관심 영역과 기준 영역 간의 거리가 제1 거리인 위치에서, 기준 영역으로부터 기준 바운더리까지의 거리와 기준 바운더리로부터 비관심 영역까지의 거리에 대한 비율은 제1 값이 되도록 설정하고, 비관심 영역과 기준 영역간의 거리가 제2 거리인 위치에서, 기준 영역으로부터 기준 바운더리까지의 거리와 기준 바운더리로부터 비관심 영역까지의 거리에 대한 비율은 제2 값이 되도록 기준 바운더리를 수정할 수 있다. 여기서, 제2 거리가 제1 거리보다 클 때, 제2 값은 제1 값보다 작도록 기준 바운더리를 수정할 수 있다. 예컨대, 기준 영역과 비관심 영역 사이의 거리가 상대적으로 멀어질수록 수정된 기준 바운더리는 비관심 영역 쪽에 더 치우쳐서 위치할 수 있다.
구체적인 예시로, 제2 콘트롤러(2002)는 회백질과 뇌실간의 거리가 상대적으로 가까운 제1 구역의 경우에는 기준 바운더리가 회백질과 뇌실 사이의 거리를 5:5로 내분하도록 기준 바운더리를 수정하고, 회백질과 뇌실간의 거리가 상대적으로 먼 제2 구역의 경우에는 회백질과 뇌실 사이의 거리를 3:7로 내분하도록 기준 바운더리를 수정할 수 있다. 여기서, 회백질과 뇌실 사이의 거리를 내분하는 비율은 미리 설정될 수 있다.
또한, 제2 콘트롤러(2002)는, 기준 바운더리와 비관심 영역이 오버랩 되는 영역에 대해서만 기준 바운더리를 수정할 수도 있고, 기준 바운더리 전체를 수정할 수도 있다. 뿐만 아니라, 제2 콘트롤러(2002)는 기준 바운더리와 회백질 영역이 오버랩 되는 영역에 더하여 추가적인 버퍼영역에 대해서 기준 바운더리를 수정하는 것도 가능하다. 이에 관해서는 도 18을 참조하여 이하에서 구체적으로 설명하도록 하겠다.
도 18은 일 실시예에 따라 일부가 수정된 기준 바운더리 및 전체적으로 수정된 기준 바운더리의 예시를 나타낸 것이다.
도 18을 참조하면, 영상분석장치(2000)는 기준 바운더리의 전부 또는 일부를 수정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 기준 영역과 비관심 영역 사이의 관계를 고려하여, 기준 바운더리의 전부를 수정하거나 또는 일부를 수정할 수 있다.
예를 들어, 기준 영역과 비관심 영역 사이의 거리가, 특정 일부분에서만 가깝다면, 해당 특정 일부분에 대응되는 기준 바운더리의 일부 구간에서만 기준 바운더리가 수정될 수 있으며, 전체적으로 비관심 영역과 기준 영역 간의 거리가 비슷하게 측정된다면 기준 바운더리를 전반적으로 수정할 수 있을 것이다. 다만 이는 예시일 뿐이며, 기준 바운더리를 전체적으로 또는 부분적으로 수정할 상황에 대해서는 다양할 수 있다.
도면을 참조하여 예시적으로 설명한다. 도면에는 전체적으로 수정된 기준 바운더리와 일부만이 수정된 기준 바운더리가 도시되어 있다.
기준 바운더리가 전반적으로 수정된 예시에 대해 먼저 살펴본다.
영상분석장치(2000)는 기준 바운더리를 전체적으로 수정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는, 기준 영역과 비관심 영역 사이의 거리를 고려하여 기준 바운더리를 전체적으로 수정할 수 있다.
제2 콘트롤러(2002)는 기준 바운더리와 비관심 영역이 오버랩 된 구간에서 기준 바운더리를 수정한 것에 상응하도록, 기준 바운더리의 전부를 수정할 수 있다.
또는 제2 콘트롤러(2002)는 기준 바운더리와 비관심 영역이 오버랩 된 구간 뿐 아니라, 기준 바운더리의 모든 구간에서 기준 영역과 비관심 영역 사이의 거리를 고려하여 기준 바운더리를 수정할 수 있다.
예컨대, 제2 콘트롤러(2002)는 제1 영역에서의 비관심 영역과 기준 영역 사이의 거리를 고려하여, 제1 영역에서 비관심 영역과 기준 영역 사이의 거리를 내분한 위치에 대응하도록, 기준 바운더리를 전반적으로 수정할 수 있다고도 표현할 수 있을 것이다.
또한, 제2 콘트롤러(2002)는 기준 바운더리의 모든 구간에 대해 기준 영역의 전반적인 영역과 비관심 영역 사이의 거리를 고려하여, 기준 바운더리를 전반적으로 수정할 수도 있다.
또한, 영상분석장치(2000)는 기준 바운더리의 일부만을 수정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 기준 바운더리와 비관심 영역이 오버랩 된 구간에 대응되는 일부 구간에 대해서만 기준 바운더리를 수정할 수 있다. 여기서, 제2 콘트롤러(2002)는, 기준 바운더리와 비관심 영역이 오버랩 되는 구간에 버퍼 구간을 추가한 부분에 대해서도 기준 바운더리를 수정할 수도 있고, 일부 구간을 제거한 구간에 대해서만 기준 바운더리를 수정할 수도 있다.
이를 달리 표현하자면, 제2 콘트롤러(2002)는 기준 바운더리와 비관심 영역 사이의 거리가 미리 정해진 거리보다 가까운 구간에 대해서는 기준 바운더리와 기준 영역이 제1 거리를 가지도록 기준 바운더리를 결정하고, 기준 바운더리와 비관심 영역이 미리 정해진 거리보다 먼 구간에 대해서는 기준 바운더리와 기준 영역이 제2 거리를 가지도록 기준 바운더리를 결정할 수 있다. 여기서, 미리 정해진 거리는 도 10 내지 도 14에서 상술한 기준 바운더리와 기준 영역간의 거리에 대응될 수 있을 것이다.
도면을 참조하면, 일부가 수정된 기준 바운더리와 전체적으로 수정된 기준 바운더리 1, 전체적으로 수정된 기준바운더리 2 모두, 비관심 영역(회백질)과 기준 영역이 가깝게 위치한 구간에서는 비슷한 형태를 띄는 것이 도시되어 있다. 다만, 전체적으로 수정된 기준 바운더리 1은, 비관심 영역과 기준 영역 사이의 거리가 멀어진 구간에서도, 동일한 거리만큼 기준 영역과 떨어져 있는 것이 잘 나타나 있다. 이에 비해, 전체적으로 수정된 기준 바운더리 2는, 기준 바운더리의 모든 구간에서 비관심 영역과 기준 영역을 미리 정해진 비율로 내분하는 위치에 기준 바운더리가 위치하도록 결정되었다.
다만, 일부만을 수정한 기준 바운더리의 경우라도 수정된 기준 바운더리가 부드러운 형상을 유지하도록, 기준 바운더리가 수정된 영역과 기존의 기준 바운더리를 부드럽게 연결할 필요가 있다.
이하에서는, 기준 바운더리의 일부를 수정하는 경우에, 기존의 기준 바운더리와 수정된 기준 바운더리 사이의 연결관계에 대해 도면을 참조하여 설명하도록 한다.
도 19는 일 실시예에 따라, 일부가 수정된 기준 바운더리의 구체적인 수정 과정의예시를 나타낸 것이다.
도 19를 참조하면, 영상분석장치(2000)는 수정된 기준 바운더리와 기존의 기준 바운더리를 연결할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 기준 영역과 비관심 영역 사이의 거리를 고려하여, 기준 바운더리가 수정될 범위를 결정하고, 수정된 기준 바운더리의 일부 영역으로부터 기존의 기준 바운더리를 연결할 수 있다.
먼저, 제2 콘트롤러(2002)는 기준 영역과 비관심 영역 사이의 거리가 임계거리 이하가 되는 제1 지점부터, 기준 영역과 비관심 영역 사이의 거리가 임계거리 이하가 되는 제2 지점까지 기준 바운더리를 수정할 수 있다. 다만, 이는 예시적인 것으로서, 제1 지점은 기준 바운더리와 비관심 영역이 오버랩 되는 임의의 지점이나, 비관심 영역과 기준 영역 사이의 거리가 미리 정해진 거리 이하가 되는 임의의 지점으로 선택될 수도 있다. 또한, 기준 바운더리를 수정하는 방법에 대해서는 전술한 실시예들 혹은 기타 본 발명의 사상에 통합되는 방법이 이용될 수 있다.
이후, 제2 콘트롤러(2002)는 기준 바운더리가 수정된 영역의 끝지점인 제1 지점 또는 제2 지점과 기존의 기준 바운더리가 다시 시작되는 구간인 제3 지점을 연결할 수 있다. 여기서, 기존의 기준 바운더리에 따른 제3 지점과 기준 영역 사이의 거리는 도 10 내지 도 14에서 전술한 바와 같이 미리 정해질 수 있다.
제2 콘트롤러(2002)는, 제1 지점 또는 2 지점의 위치값과 제3 지점의 위치값 사이를 보간하여 제1 지점 또는 2 지점과 제3 지점을 연결할 수 있다. 여기서, 제2 지점과 제3 지점의 사이인 보간구간의 길이는 다양하게 설정될 수 있다. 일 예로, 보간구간은 비관심 영역과 관심 영역 사이의 거리를 고려하여 설정될 수 있다.
도면을 참조하여 구체적인 예시를 들어 설명한다.
제2 콘트롤러(2002)는 회백질과 뇌실 사이의 거리가 가깝거나 기존의 기준 바운더리가 회백질 영역과 오버랩 되는 구간에 대해서 기준 바운더리를 일부 수정할 수 있다. 제2 콘트롤러(2002)는 수정된 기준 바운더리의 일측에 위치한 제1 지점과 기존의 기준 바운더리 상에 위치한 제3 지점 사이를 보간하여 서로 연결할 수 있다. 여기서, 제2 지점은 회백질과 뇌실 사이의 거리가 임계거리 이상이 되는 지점으로 선택 될 수 있다. 또는 제2 지점은 수정된 기준 바운더리와 비관심 영역이 임계거리 이상이 되는 지점으로 선택될 수 있다..
이처럼, 일 실시예에 따른 영상분석장치(2000)는 기존의 기준 바운더리와 수정된 기준 바운더리를 부드럽게 연결함으로써, 질병 인덱스를 계산하기 위한 기준 바운더리를 보다 명확하게 설정할 수 있고, 명확하게 설정된 기준 바운더리로 인해 영상분석장치(2000)가 획득하는 질병 인덱스의 정확성 역시 향상될 수 있다.
수정된 기준 바운더리에 의해 질병 인덱스가 계산되면, 영상분석장치(2000)는 수정된 기준 바운더리를 이용하여 획득한 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 수정된 기준 바운더리를 이용한 메디컬 이미지의 분석 결과로 질병 인덱스를 획득할 수 있고, 획득한 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다. 제공되는 질병 인덱스 또는 질병 정보에 관한 내용은 도 14에서 전술한 바와 유사하므로 자세한 설명은 생략하도록 하겠다.
이상에서 설명한 바와 같이, 수정된 기준 바운더리를 이용함으로써, 일률 적인 기준 바운더리를 이용하는 경우에 비해서 더 다양한 이미지로부터 정확한 질병 인덱스를 획득할 수 있게 된다.
또한, 이상의 설명에서는 기준 바운더리가 회백질 영역과 오버랩 되는 경우에만 기준 바운더리를 수정하는 것으로 설명하였으나, 처음부터 기준 바운더리를 도 15 내지 도 19에서 설명한 바와 같이 설정하는 것도 가능함은 물론이며, 필드에서 요구되는 바에 따라 적절한 기준 바운더리 설정 방법을 채택하여 이용할 수 있을 것이다.
본 명세서의 이상의 설명에서는 하나의 메디컬 이미지를 분석하는 방법에 대해서 주로 설명하였다.
이하에서는, 영상분석장치(2000) 복수의 메디컬 이미지를 분석하는 경우에, 복수의 메디컬 이미지로부터 진단보조정보를 제공하는 방법에 대해서 설명하기로 한다.
도 20은 일 실시예에 따라 영상분석장치(2000)가 복수의 메디컬 이미지로부터 진단보조정보를 제공하는 방법에 관한 개략적인 순서도이다.
도 20을 참조하면, 복수의 메디컬 이미지로부터 진단보조정보를 제공하는 방법은 복수의 메디컬 이미지를 획득하는 단계(S3200), 복수의 메디컬 이미지로부터 질병 인덱스를 획득하는 단계(S3400) 및 복수의 질병 인덱스에 기초하여 진단보조정보를 제공하는 단계(S3600)를 포함할 수 있다.
먼저, 영상분석장치(2000)는 복수의 메디컬 이미지를 획득할 수 있다(S3200). 구체적으로, 제2 콘트롤러(2002)는 제2 통신모듈(2800)을 통해, 영상획득장치(1000)로부터 복수의 메디컬 이미지를 획득할 수 있다. 여기서, 복수의 메디컬 이미지는 피촬영 객체를 촬영한 단층 이미지의 집합일 수 있다. 일 예로, 복수의 메디컬 이미지는 피촬영 객체에 대한 MRI 슬라이스 이미지의 집합일 수 있다.
이후, 영상분석장치(2000)는 복수의 메디컬 이미지로부터 질병 인덱스를 획득할 수 있다.(S3400). 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 질병 인덱스 획득을 위한 프로그램을 이용하여, 복수의 메디컬 이미지에 대한 질병 인덱스를 획득할 수 있다. 여기서, 제2 콘트롤러(2002)는 복수의 메디컬 이미지 각각에 대한 질병 인덱스를 획득할 수도 있고, 복수의 메디컬 이미지중 일부에 대한 질병 인덱스를 획득할 수도 있다. 질병 인덱스를 획득하는 방법에 대해서는 전술한 바와 유사하므로, 자세한 설명은 생략하도록 하겠다.
복수의 질병 인덱스가 획득되면, 영상분석장치(2000)는 복수의 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다(S3600). 구체적으로, 제2 콘트롤러(2002)는 획득한 복수의 메디컬 이미지에 관한 질병 인덱스를 종합적으로 고려하여, 진단보조정보를 획득하고 이를 제공할 수 있다. 여기서, 제2 콘트롤러(2002)는 질병 인덱스가 계산된 복수의 메디컬 이미지 전부에 대한 진단보조정보를 제공할 수도 있고, 질병 인덱스가 계산된 복수의 메디컬 이미지 중 일부에 대해서만 진단보조정보를 제공할 수도 있다. 영상분석장치(2000)가 복수의 메디컬 이미지에 대한 진단보조정보를 제공하는 방식에 대해서는 후술하여 자세히 설명하도록 하겠다.
이하에서는, 일 실시예에 따른 복수의 메디컬 이미지의 예시와, 복수의 메디컬 이미지에 기초하여 진단보조정보를 제공하는 방법에 대해 도면을 참조하여 설명하도록 한다.
도 21은 일 실시예에 따른 복수의 메디컬 이미지의 일 예를 나타낸 것이다.
도 21을 참조하면, 영상분석장치(2000)는 피촬영 객체와 관련된 복수의 단층 이미지를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 통신모듈(2800)을 통해 피촬영 객체의 복수의 단면의 이미지를 포함하는 복수의 메디컬 이미지를 획득할 수 있다. 여기서, 복수의 단층 이미지는, 슬라이스 이미지의 집합으로 구성될 수 있음은 전술한 바와 같다.
도 21에는, MRI 이미지 장치에서 획득한 복수의 메디컬 이미지에 관한 예시가 도시되어 있다.
도 21을 참조하면, 복수의 메디컬 이미지는 피촬영 객체의 제1 축에 대해 평행한 복수의 평면에 관한 슬라이스 이미지들을 포함한다. 또한 각 슬라이스 이미지들은 서로 소정의 거리만큼 이격된 위치에서의 피촬영 객체에 대한 정보를 포함할 수 있다. 즉, 각각의 슬라이스 이미지는 피촬영 객체에 관하여 각기 다른 정보를 포함할 수 있다. 이처럼, 복수의 메디컬 이미지는 피촬영 객체의 여러 단면에 관한 정보를 포괄적으로 포함하고 있어, 영상분석장치(2000)는 복수의 메디컬 이미지를 분석함으로써 피촬영 객체 전반에 관한 진단보조정보를 획득할 수 있다.
도 22는 각각 다른 정보를 포함하고 있는 슬라이스 이미지의들의 예시 및 이를 통한 진단보조정보의 제공에 관한 일 예이다.
도 22를 참조하면, 하나의 피촬영 객체에 대해 다른 단면을 촬영한 복수의 메디컬 이미지의 예시가 도시되어 있다. 구체적으로, 도 22는 사람의 뇌를 촬영한 MRI 이미지의 여러 슬라이스 이미지들의 집합을 나타낸 것이다.
(a)의 경우 뇌의 상부측의 단면에 관한 MRI 슬라이스 이미지이고, (b)의 경우 뇌의 가운데 측 단면에 관한 MRI 슬라이스 이미지를 나타낸 것이다.
(a)는 (b)에 비하여 뇌의 상부에 위치하는 영역의 단면을 촬영한 이미지로, 뇌실의 크기가 (b) 보다 작게 촬영되었다. 또한, (a)와 (b)에 포함된 백질영역과 회백질 영역 또한 다르게 도시되고 있으며, 가장 중요하게는, WMH로 구별된 영역정보를 다르게 포함하고 있음을 알 수 있다.
전술한 바와 같이, 일 실시예에 따른 질병 인덱스는 기준 영역과 대상 영역의 영역정보의 관계에 기초하여 획득될 수 있다. 따라서, 피촬영 객체의 여러 위치에서의 단면을 포함하는 복수의 메디컬 이미지 각각에서 서로 다른 질병 인덱스가 계산될 수 있다. 구체적인 예시로, 뇌의 상부측의 단면을 촬영한 (a)의 경우 3등급의 질병 인덱스가 계산되었고, 뇌의 가운데 측 단면을 촬영한 (b)의 경우 2등급의 질병 인덱스가 계산되었다.
이런 경우, (a)에 관한 진단보조정보 및 (b)에 관한 진단보조정보가 모두 획득될 수 있으며, 영상분석장치(2000)는 모든 이미지에 대한 진단보조정보나, 일부 이미지에 대한 진단보조정보를 획득하여 제공할 수 있다.
즉, 일 실시예에 따른 영상분석장치(2000)는, 피촬영 객체의 여러 단면을 촬영한 복수의 메디컬 이미지에 대한 질병 인덱스를 계산할 수 있고, 계산된 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다.
또한, 영상분석장치(2000)는 질병 인덱스가 계산된 메디컬 이미지 모두에 관하여 진단보조정보를 제공할 수도 있고, 일부에 대하여만 진단보조정보를 제공할 수도 있다.
영상분석장치(2000)는 질병 인덱스가 계산된 메디컬 이미지 중 일부 이미지를 선택하고, 선택된 메디컬 이미지에 대하여 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 진단 인덱스가 계산된 메디컬 이미지 중, 소정의 정보를 포함하고 있는 이미지를 선택하고, 소정의 정보를 포함하고 있는 이미지에 대하여 질병 인덱스를 계산하여 진단보조정보를 제공할 수 있다.
여기서, 진단보조정보가 제공될 메디컬 이미지를 선택하는 기준은 다양할 수 있다. 즉, 영상분석장치(2000)는, 질병 인덱스의 종류나 등급에 기초하여 진단보조정보를 제공할 메디컬 이미지를 선택할 수도 있다.
예를 들어, 영상분석장치(2000)는 질병 인덱스가 계산된 메디컬 이미지 중, 질병의 진행 정도가 가장 심각함을 나타내는 질병 인덱스의 등급 계산의 기초가 된 메디컬 이미지에 대한 진단보조정보를 제공할 수 있다. 다른 예로, 영상분석장치(2000)는 질병 인덱스가 계산된 메디컬 이미지 중, 질병의 상태가 가장 호전되었음을 나타내는 질병 인덱스의 등급의 계산 기초가 된 메디컬 이미지에 대한 진단보조정보를 제공할 수도 있다. 또 다른 예로, 영상분석장치(2000)는 질병 인덱스가 계산된 메디컬 이미지 중, 복수의 메디컬 이미지로부터 계산된 질병 인덱스의 평균값(또는 중간값)을 나타내는 질병 인덱스의 등급의 계산 기초가 된 메디컬 이미지에 대한 진단보조정보를 제공할 수도 있다.
다른 예로, 영상분석장치(2000)는, 질병 인덱스의 종류를 고려하여, 제1 질병 인덱스가 높게 측정된 메디컬 이미지에 대한 진단보조정보를 제공할 수도 있고, 제2 질병 인덱스가 높게 측정된 메디컬 이미지에 대한 진단보조정보를 제공할 수도 있으며, 이들을 조합하여 진단보조정보를 제공할 수도 있다. 또한, 영상분석장치(2000)는 질병 인덱스의 종류와 등급 모두를 고려하여 진단보조정보를 제공할 메디컬 이미지를 선택할 수 있음은 물론이다.
이처럼, 질병 인덱스의 종류나 등급에 따라 다른 진단보조정보가 계산될 수 있으므로, 영상분석장치(2000)는 피촬영 객체(예를 들어 주로 환자의 경우)의 특성을 고려하여 질병 인덱스의 종류나 등급을 고려하여 진단보조정보를 제공할 메디컬 이미지를 선택함으로써, 환자에 적합한 진단보조정보를 제공할 수 있게 된다.
다른 실시예로써, 영상분석장치(2000)는 복수의 메디컬 이미지로부터 질병 인덱스를 계산하기 위한 후보 이미지를 선택하고, 선택된 후보 이미지들로부터 획득한 질병 인덱스에 기초하여 진단보조정보를 제공할 수도 있다.
이하에서는, 영상분석장치(2000)가 후보 이미지들로부터 획득한 질병 인덱스에 기초하여 진단보조정보를 제공하는 방법에 대해 도면을 참조하여 설명하도록 한다.
도 23은 실시예에 따라 후보 이미지로부터 진단보조정보를 획득하는 방법을 개략적으로 나타낸 순서도이다.
도 23을 참조하면, 영상분석장치(2000)가 후보 이미지로부터 진단보조정보를 획득하는 방법은 복수의 메디컬 이미지를 획득하는 단계(S1202), 복수의 메디컬 이미지를 세그멘테이션하는 단계(S1212), 세그멘테이션 된 복수의 이미지에서 후보 이미지를 판단하는 단계(S1222), 선택된 후보 이미지에 대한 질병 인덱스를 획득하는 단계(S1402) 및 획득된 질병 인덱스에 기초하여 진단보조정보를 제공하는 단계(S1602)를 포함할 수 있다.
먼저, 영상분석장치(2000)는 영상획득장치(1000)로부터 복수의 메디컬 이미지를 획득할 수 있다(S1202). 복수의 메디컬 이미지를 획득하는 단계(S1202)는 도 20에서 설명한 바와 유사하므로, 자세한 설명은 생략하도록 한다.
이후, 영상분석장치(2000)는 복수의 메디컬 이미지를 세그멘테이션 할 수 있다(S1212). 메디컬 이미지에 대한 세그멘테이션 역시, 전술한 바와 유사하게 수행될 수 있어 자세한 설명은 생략하도록 하겠다.
세그멘테이션이 수행되면, 영상분석장치(2000)는 세그멘테이션 된 복수의 메디컬 이미지로부터 후보 이미지를 결정할 수 있다(S1222). 구체적으로, 제2 콘트롤러(2002)는 미리 정해진 기준에 따라, 세그멘테이션 된 복수의 메디컬 이미지 중에서 미리 정해진 기준을 만족하는 후보 이미지들을 결정할 수 있다. 후보 이미지에 관한 상세한 설명은 도면을 참조하여 후술하도록 하겠다.
후보 이미지를 결정하면, 영상분석장치(2000)는 후보 이미지로부터 질병 인덱스를 획득할 수 있다(S1402). 구체적으로, 제2 콘트롤러(2002)는 후보 이미지들 전부 또는 일부에 대하여 제2 메모리(2002)에 저장된 질병 인덱스 계산을 위한 프로그램을 이용하여 질병 인덱스를 획득할 수 있다. 질병 인덱스를 획득하는 방법은, 전술한 바와 유사하게 수행될 수 있으므로 구체적인 설명은 생략하도록 한다.
질병 인덱스가 획득되면, 영상분석장치(2000)는 획득된 질병 인덱스에 기초하여 진단보조정보를 획득하고, 제공할 수 있다(S1602). 구체적으로, 제2 콘트롤러(2002)는 하나 이상의 후보 이미지들로부터 획득된 질병 지표에 기초하여 진단보조정보를 제공할 수 있다. 여기서, 제2 콘트롤러(2002)가 복수의 후보 이미지들로부터 진단보조정보를 제공하는 방법은, 도 20 내지 22에서 언급한 바와 같이, 복수의 메디컬 이미지들로부터 진단보조정보를 제공하는 방법이 적용될 수 있다.
이하에서는, 복수의 메디컬 이미지로부터 후보 이미지가 추출된 예시 및 추출된 후보 이미지들로부터 질병 인덱스를 계산하고, 진단보조정보를 제공하는 예시에 대해 도면을 참조하여 설명하도록 하겠다.
도 24은 일 실시예에 따른 후보 이미지의 예시이다.
도 24를 참조하면, 영상분석장치(2000)는 후보 이미지를 선택할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 영상획득장치(1000)로부터 획득한 복수의 메디컬 이미지 중에서, 하나 이상의 후보 이미지를 선택할 수 있다. 여기서, 후보 이미지는 복수의 메디컬 이미지 중에서 미리 정해진 기준을 만족하는 이미지일 수 있다.
여기서, 미리 정해진 기준은 계산하고자 하는 질병 인덱스에 대응되도록 결정될 수 있다. 일 예로, 미리 정해진 기준은 기준 영역의 포함 여부일 수 있다. 즉, 제2 콘트롤러(2002)는 복수의 메디컬 이미지 중에서 기준 영역에 관한 정보를 포함하고 있는 이미지를 후보 이미지로 선택할 수 있다. 다른 예로, 미리 정해진 기준은 대상 영역의 포함 여부일 수 있다. 즉, 제2 콘트롤러(2002)는 복수의 메디컬 이미지 중에서 대상 영역에 관한 정보를 포함하고 있는 이미지를 후보 이미지로 선택할 수 있다. 또한, 제2 콘트롤러(2002)는 대상 영역과 기준 영역 모두를 포함하는 메디컬 이미지를 후보 이미지로 선택할 수 있다.
또한 여기서, 후보 이미지는 도면에 도시된 바와 같이 후보 이미지 범위 내에 포함되는 하나 이상의 이미지로 결정될 수도 있다. 여기서, 후보 이미지 범위는, 동일한 피촬영 객체를 하나의 축에 대한 여러 평면으로 촬영한 연속적인 순서를 가지는 단층 메디컬 이미지 중에서, 미리 정해진 조건을 만족하는 제1 메디컬 이미지부터 미리 정해진 조건을 만족하는 제2 메디컬 사이까지의 범위를 의미할 수 있다. 여기서, 제1 메디컬 이미지부터 제2 메디컬 이미지 사이의 범위는 제1 메디컬 이미지와 제2 메디컬 이미지 사이의 순차적으로 위치하는 복수의 메디컬 이미지를 포함할 수 있다.
즉, 도면을 참조하여 구체적인 예시를 들자면, 기준 영역이 뇌실 영역인 경우, saggital 축에 대한 transverse 평면을 연속적인 단면으로 촬영한 복수의 메디컬 이미지 중에서, 뇌실이 포함된 메디컬 이미지 중 가장 하부에 위치한 제1 메디컬 이미지부터 뇌실이 포함된 메디컬 이미지 중 가장 상부에 위치한 제2 메디컬 이미지 사이가 후보 이미지 범위로 설정될 수 있는 것이다.
이를 달리 표현하면, 제2 콘트롤러(2002)는 메디컬 이미지에 포함된 미리 설정된 조건에 대응되는 픽셀의 수가 임계값 이하 또는 이상인지 여부에 기초하여 후보 이미지 또는 후보 이미지의 범위를 선택할 수 있다.
구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지의 세그멘테이션 결과를 분석하여, 뇌실로 레이블링 된 픽셀의 수가 임계값 이하인지 여부를 판단할 수 있다. 제2 콘트롤러(2002)는 메디컬 이미지에 포함된 뇌실로 레이블링 된 픽셀의 수가 임계값 이상 또는 초과일 경우에, 상기 메디컬 이미지를 후보 이미지로 결정할 수 있다.
또한 제2 콘트롤러(2002)가 후보 이미지의 범위를 설정하는 경우, 인접한 2개의 메디컬 이미지 분석 결과 하나의 이미지에 포함된 뇌실로 레이블링 된 픽셀의 수가 임계값 미만 또는 이하이고 다른 하나의 이미지에 포함된 뇌실로 레이블링 된 픽셀의 수가 임계값 이상 또는 초과라면, 상기 다른 하나의 이미지가 후보 이미지의 범위의 일 경계로 설정될 수 있다.
도 25는 일 실시예에 따른 후보 이미지로부터 진단보조정보를 제공하는 예시를 나타낸 것이다.
도 25를 참조하면, 영상분석장치(2000)는 후보 이미지로부터 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 후보 이미지로부터 질병 인덱스를 획득하고, 획득한 질병 인덱스에 기초하여 진단보조정보를 제공할 수 있다.
질병 인덱스를 산출하는 방식에 대해서는 전술한 바와 같아 구체적인 설명은 생략하도록 한다.
도 25에 도시된 바에 따르면, (a)의 경우 후보 이미지가 아닌 메디컬 이미지이고, (b)의 경우 후보 이미지로 결정된 메디컬 이미지이다.
일 실시예에 따라 질병 인덱스를 계산함에 있어서, 피촬영 객체의 특정 영역이 메디컬 이미지 내에 포함되는 것이 중요할 수 있다. 예를 들어, 일 실시예에 따른 질병 인덱스획득 방법은 뇌실과 WMH의 상관관계에 의해 도출될 수 있는데, 이런 경우 메디컬 이미지 내에 뇌실이 포함되어 있지 않다면 질병 인덱스를 산출하기 어려워질 수 있고, 이로 인해 정확한 진단보조정보가 제공되지 못할 수도 있다. 즉, 도 25의 (a)의 경우, 뇌의 상단부를 촬영한 메디컬 이미지로, 메디컬 이미지 내에 뇌실 영역이 포함되어 있지 않기 때문에, 일 실시예에 따른 질병 인덱스계산 방법이 이용되기 어려울 수 있다.
(b)의 경우, 뇌실영역이 메디컬 이미지 내에 포함되어 있어, 제2 콘트롤러(2002)는 (b)와 같은 메디컬 이미지를 분석하여 질병 인덱스를 계산할 수 있고, 계산된 질병 인덱스에 기초하여 진단보조정보를 획득할 수 있는 것이다.
또한, 피촬영 객체와 관련된 모든 메디컬 이미지를 분석하는 경우, 영상분석장치(2000)의 연산량이 과도해져 연산속도가 느려질 수 있고 이에 따라 연산과정에서 오류가 발생할 수도 있다.
그러나, 일 실시예에 따른 후보 이미지를 이용한 진단보조정보 제공 방법에 의하면, 복수의 이미지를 세그멘테이션 한 이후 질병 인덱스를 계산할 후보 이미지를 먼저 결정하고, 결정된 후보 이미지들에 대해서만 질병 인덱스를 계산하므로, 연산량을 감소시킴으로써 연산속도가 빨라지고 연산의 정확도가 향상될 수 있게 되는 것이다.
도 26은 일 실시예에 따른 진단보조정보 제공의 다른 구현예이다.
도 26을 참조하면, 일 실시예에 따른 영상분석장치(2000)는 후보 이미지들 중 적어도 하나 이상의 이미지에 관한 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 후보 이미지로 선택된 메디컬 이미지들 중에서, 미리 정해진 조건을 만족하는 적어도 하나 이상의 이미지에 관한 진단보조정보를 제공할 수 있다.
여기서, 미리 정해진 조건은 질병 인덱스를 고려하여 결정될 수 있다. 일 예로, 미리 정해진 조건은 가장 심한 질병 진행도를 지시하는 질병 인덱스 값일 수 있다. 즉, 제2 콘트롤러(2002)는 후보 이미지들의 질병 인덱스 중에서 질병 인덱스가 가장 심한 질병의 진행도를 나타내고 있는 특정 메디컬 이미지를 진단보조정보 제공을 위한 메디컬 이미지로 선택할 수 있다.
또한, 메디컬 이미지로부터 복수의 질병 인덱스가 계산될 수 있는 경우, 미리 정해진 조건은 각각의 질병 인덱스를 모두 고려하여 결정될 수도 있다. 즉 제2 콘트롤러(2002)는 복수의 질병 인덱스 각각에 대한 특정 후보 이미지를 진단 보조정보 제공을 위한 메디컬 이미지로 모두 선택할 수도 있고, 복수의 질병 인덱스 중 일부에 대한 특정 후보 이미지만을 진단 보조정보 제공을 위한 메디컬 이미지로 선택할 수 있는 것이다.
도면을 참조한 구체적인 예시를 들자면, 제2 콘트롤러(2002)는, 복수의 메디컬 이미지 중 제1 질병 인덱스에 관한 미리 정해진 조건을 만족하는 메디컬 이미지에 관한 진단보조정보를 디스플레이모듈(2600)를 통해 제공할 수 있다. 여기서, 미리 정해진 조건은, 복수의 후보 이미지 중 제1 질병 인덱스의 등급이 가장 높게 계산 되었는지 여부일 수 있다. 또한, 제2 콘트롤러(2002)는, 복수의 메디컬 이미지 중 제2 질병 인덱스에 관한 미리 정해진 조건을 만족하는 메디컬 이미지에 관한 진단보조정보를 디스플레이모듈(2600)을 통해 제공할 수도 있고, 제1 질병 인덱스 및 제2 질병 인덱스에 관한 미리 정해진 조건을 만족하는 메디컬 이미지 모두에 대한 진단보조정보를 제공할 수도 있다.
이상에서는, 복수의 메디컬 이미지로부터 질병 인덱스를 계산하기 위한 후보 이미지를 결정하는 방법이나, 하나의 메디컬 이미지에 관한 질병 인덱스를 산출하는 방법 위주로 설명하였다.
그러나, 일 실시예에 따르면, 보다 정확한 질병 인덱스를 계산하기 위하여 복수의 메디컬 이미지를 이용하여 질병 인덱스를 계산할 수도 있는데, 이와 관련하여 도 27 내지 도 29을 참조하여 설명하도록 한다.
도 27은 일 실시예에 따른 복수의 이미지에 기초하여 질병 인덱스를 획득하는 방법을 나타낸 순서도이다.
도 27을 참조하면, 일 실시예에 따른 복수의 이미지에 기초하여 질병 인덱스를 획득하는 방법은 복수의 메디컬 이미지를 획득하는 단계(S4200), 복수의 메디컬 이미지에 대한 세그멘테이션을 수행하는 단계(S4400), 제1 이미지의 타겟영역정보를 획득하는 단계(S4600) 및 제1 이미지의 타겟영역정보에 기초하여 제2 이미지의 질병 인덱스를 획득하는 단계(S4800)를 포함할 수 있다.
먼저, 복수의 메디컬 이미지를 획득하고(S4200), 복수의 메디컬 이미지에 대한 세그멘테이션을 수행하는 단계(S4400)는 전술한 동작과 유사하게 수행될 수 있으므로, 구체적인 설명은 생략하도록 하겠다.
메디컬 이미지에 대한 세그멘테이션 수행 이후, 영상분석장치(2000)는 제1 이미지에 대한 타겟영역에 관한 정보를 획득할 수 있다(S4600). 구체적으로, 제2 콘트롤러(2002)는, 계산하고자 하는 질병 인덱스에 대응되는 타겟영역에 대한 정보를 획득할 수 있다. 여기서, 타겟영역은 특정 질병 인덱스를 계산함에 있어 필수적으로 필요한 영역을 의미할 수 있다. 구체적인 내용에 대해서는 후술하도록 한다.
타겟영역에 관한 정보를 획득하면, 영상분석장치(2000)는 제1 이미지의 타겟영역정보에 기초하여 제2 이미지의 질병 인덱스를 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 이미지로부터 획득한 타겟영역정보와 제2 이미지에 포함되어 있는 피촬영 객체와 관련된 영역정보에 기초하여, 제2 이미지에 관련된 질병 인덱스를 계산할 수 있다. 이와 관련된 예시는 후술하여 설명하도록 한다.
이하에서는, 도면을 참조하여 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 방법에 대해 구체적인 예시를 들어 설명하도록 한다.
도 28은 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 일 예이다.
일 실시예에 따르면, 영상분석장치(2000)는 제1 이미지로부터 직접 제2 이미지의 질병 인덱스를 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 이미지에 포함된 제1 영역 정보와 제2 이미지에 포함된 제2 영역정보의 관계에 기초하여, 제2 이미지의 질병 인덱스를 계산할 수 있다. 여기서, 제1 영역 정보는 제1 이미지에 포함된 기준 영역에 관한 정보일 수 있다. 또한, 제2 영역 정보는 제2 이미지에 포함된 대상 영역에 관한 정보일 수 있다.
질병 인덱스를 계산함에 있어서, 기준 영역에 관한 정보는 메디컬 이미지 내에 포함되어 있지 않으면서, 대상 영역에 관한 정보는 포함되어 있는 경우가 있다. 이런 경우, 질병 인덱스를 계산하기 위한 요건이 충족되지 않았기 때문에 질병 인덱스를 계산하기가 난해할 수 있으나, 경우에 따라 이러한 메디컬 이미지에 대해서도 질병 인덱스를 계산할 필요가 있다.
즉, 예시적으로 도 28을 참조하면, 제1 슬라이스 이미지의 경우 WMH에 관한 정보가 포함되어 있으나, 뇌실에 관한 정보가 포함되어 있지 않다. 이런 경우, 뇌실과 WMH의 관계로부터 도출되는 질병 인덱스는 제1 슬라이스 이미지로부터 도출되기가 난해할 수 있다. 그러나, WMH는 질병에 관한 중요한 정보를 내포하고 있을 가능성이 높아, 보다 정확한 진단보조정보를 제공하기 위해서는 WMH가 발견된 이미지에 대해서는 질병 인덱스를 계산하는 것이 바람직하다.
이런 경우, 제2 콘트롤러(2002)는 제1 이미지와 제2 이미지의 관계에 기초하여, 제1 이미지에 관한 정보를 고려하여 제2 이미지의 질병 인덱스를 계산할 수 있다. 여기서, 제1 이미지와 제2 이미지의 관계는 미리 획득될 수 있다. 일 예로, 제1 이미지와 제2 이미지의 관계는, 슬라이스 이미지 사이의 거리일 수 있다.
다시 도면을 참조하여 구체적인 예시들 들어 설명한다.
제2 콘트롤러(2002)는 먼저 복수의 메디컬 이미지에 대한 세그멘테이션의 결과로, 메디컬 이미지 내에 질병 인덱스를 계산하기 위한 대상 영역은 포함되어 있으나, 기준 영역은 포함되어 있지 않은 제1 이미지를 결정할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 일 실시예에 따른 질병 인덱스를 계산하기 위하여는 뇌실 및 WMH에 관한 정보가 필요함에도, 메디컬 이미지 내에 WMH에 관한 정보만이 포함되어 있고 뇌실에 관한 정보가 포함되어 있지 않은 제1 이미지를 선택할 수 있다.
이후, 제2 콘트롤러(2002)는 제1 이미지근처의 다른 메디컬 이미지 중에서, 제1 이미지에 포함되어 있지 않은 기준 영역을 포함하고 있는 제2 이미지를 선택할 수 있다. 여기서, 제2 이미지는 제1 이미지와 바로 인접한 이미지 일 수도 있으나, 이에 국한되는 것은 아니다. 예를 들어, 제2 콘트롤러(2002)는 제1 이미지 주변에 위치된(예컨대, 시상면(saggital)축에서의 제1 이미지로부터의 거리가 소정 거리 이하인) 메디컬 이미지 중에서, 질병 인덱스를 계산하기 위한 뇌실 영역을 포함하고 있는 제2 이미지를 선택할 수 있다.
제2 이미지가 선택되면, 제2 콘트롤러(2002)는 제2 이미지에 포함된 기준 영역과 제1 이미지에 포함된 대상 영역의 관계에 기초하여, 질병 인덱스를 계산할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 제2 이미지에 포함된 뇌실영역으로부터 제1 이미지에 포함된 WMH 까지의 거리정보 및 제2 이미지에 포함된 WMH의 영역정보에 기초하여 제2 이미지 내의 질병 인덱스를 계산할 수 있다. 여기서, 제1 이미지와 제2 이미지 사이의 거리는 미리 획득되어 저장될 수 있다.
또한 여기서, 제2 이미지에 포함된 기준 영역과 제1 이미지에 포함된 대상 영역 사이의 관계를 도출하기 위한 기준은 다양하게 결정될 수 있다. 일 예로, 제2 콘트롤러(2002)는 제2 이미지에 포함된 뇌실 영역의 중심으로부터 제1 이미지에 포함된 WMH 영역 까지의 거리에 기초하여 질병 인덱스를 계산할 수 있다. 다른 예로, 제2 콘트롤러(2002)는 제2 이미지에 포함된 뇌실 영역 중 제1 이미지에 포함된 WMH 영역과 가장 가까운 뇌실영역으로부터, 제1 이미지에 포함된 WMH 영역까지의 거리에 기초하여 질병 인덱스를 계산할 수도 있다. 예시적으로 언급한 방법 외에도 제2 이미지에 포함된 뇌실영역으로부터 제1 이미지에 포함된 WMH 영역까지의 거리를 계산할 수 있는 기준이라면, 다양한 방법이 본 발명의 사상에 통합될 수 있음이 통상의 기술자라면 이해될 것이다.
이하에서는 도면을 참조하여, 제1 이미지로부터 간접적으로 제2 이미지의 질병 인덱스를 계산하는 방법에 대해 도면을 참조하여 설명한다.
도 29는 일 실시예에 따라 제1 이미지의 정보를 고려하여 제2 이미지의 질병 인덱스를 산출하는 과정을 나타낸 다른 예이다.
일 실시예에 따르면, 영상분석장치(2000)는 제1 이미지로부터 간접적으로 제2 이미지의 질병 인덱스를 계산할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 이미지에 포함된 기준 영역에 관한 정보로부터 간접적으로 획득된 제2 이미지 내의 기준 셀과 제2 이미지내에 포함된 대상 영역의 관계에 기초하여, 제2 이미지의 질병 인덱스를 계산할 수 있다.
도면을 참조하여 구체적인 예시를 들어 설명한다.
제2 콘트롤러(2002)는, 도 27에서 설명한 바와 마찬가지로, 먼저 복수의 메디컬 이미지에 대한 세그멘테이션의 결과로, 메디컬 이미지 내에 질병 인덱스를 계산하기 위한 대상 영역은 포함되어 있으나, 기준 영역은 포함되어 있지 않은 제1 이미지를 결정할 수 있다.
예를 들어, 제2 콘트롤러(2002)는 일 실시예에 따른 질병 인덱스를 계산하기 위하여는 뇌실 및 WMH에 관한 정보가 필요함에도, 메디컬 이미지 내에 WMH에 관한 정보만이 포함되어 있고 뇌실에 관한 정보가 포함되어 있지 않은 제1 이미지를 선택할 수 있다.
이후, 제2 콘트롤러(2002)는 제1 이미지와 인접한 다른 메디컬 이미지 중에서, 제1 이미지에 포함되어 있지 않은 기준 영역을 포함하고 있는 제2 이미지를 선택할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 제1 이미지 근처에 위치한 메디컬 이미지 중에서, 질병 인덱스를 계산하기 위한 뇌실 영역을 포함하고 있는 제2 이미지를 선택할 수 있다.
제2 이미지가 선택되면, 제2 콘트롤러(2002)는 제2 이미지에 포함된 기준 영역에 관한 정보에 기초하여, 제1 이미지 상에서 제2 이미지에 포함된 기준 영역에 대응되는 기준 셀을 결정할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 제2 이미지에 포함된 뇌실영역에 관한 정보에 기초하여, 제1 이미지 상에 제2 이미지에 포함된 뇌실영역에 대응되는 기준 셀(cell)을 결정할 수 있다.
기준 셀이 결정되면, 제2 콘트롤러(2002)는 제1 이미지에 포함된 기준 셀과대상 영역에 관한 정보에 기초하여 질병 인덱스를 계산할 수 있다. 즉, 예를 들어 제2 콘트롤러(2002)는 제1 이미지에 포함된 뇌실영역에 대응되는 제2 영역의 기준 셀을 뇌실로 간주하고, 제1 이미지에 포함된 WMH와의 관계를 도출하여 질병 인덱스를 계산할 수 있는 것이다. 기준 셀과 WMH의 관계에 기초하여 질병 인덱스를 계산하는 방식에 대해서는, 전술한 바와 유사한 질병 인덱스계산 방법이 이용될 수 있음은 물론이다.
이상에서와 같이, 일 실시예에 따르면 영상분석장치(2000)는 정확한 질병 인덱스를 획득하기 위하여 복수의 메디컬 이미지를 이용하여 질병 인덱스를 계산할 수 있고, 이에 기초하여 진단보조정보를 제공할 수 있다.
이에 더하여, 일 실시예에 따른 진단보조정보 제공 시스템(10000)은 메디컬 이미지를 3D 모델링한 3D 메디컬 모델에서도 질병 인덱스를 계산하고, 진단보조정보를 제공할 수 있다.
이하에서는 도 30 내지 도 32를 참조하여, 3D 메디컬 모델에 기초하여 진단보조정보를 제공하는 방법에 대하여 설명한다.
도 30은 일 실시예에 따른 3D 메디컬 모델에 기초하여 진단보조정보를 제공하는 방법의 일 예를 나타낸 순서도이다.
일 실시예에 따라 영상분석장치(2000)가 수행하는 3D 메디컬 모델에 기초하여 진단보조정보를 제공하는 방법은 복수의 메디컬 이미지를 획득하는 단계(S5200), 복수의 메디컬 이미지에 대한 세그멘테이션을 수행하는 단계(S5400), 세그멘테이션 된 메디컬 이미지에 기초하여 3차원 모델링을 수행하는 단계(S5600) 및 3차원 모델링에 기초하여 질병 인덱스를 획득하는 단계(S5800)를 포함할 수 있다.
복수의 메디컬 이미지를 획득하는 단계(S5200) 및 복수의 메디컬 이미지에 대한 세그멘테이션을 수행하는 단계(S5400)에 대해서는 전술한 바와 유사하게 수행될 수 있어 자세한 설명은 생략하도록 한다.
복수의 메디컬 이미지에 대한 세그멘테이션을 수행하면, 영상분석장치(2000)는 세그멘테이션 된 복수의 메디컬 이미지에 기초하여, 3D 메디컬 모델을 획득할 수 있다(S5600). 구체적으로, 제2 콘트롤러(2002)는, 피촬영 객체를 연속적인 단면으로 촬영한 복수의 메디컬 이미지를 가공하여, 3D 메디컬 모델을 생성할 수 있다. 여기서, 3D 메디컬 모델은 복수의 세그멘테이션 된 메디컬 이미지를 기초로 생성되어, 복수의 뇌 영역 정보를 반영하는 3D 픽셀 정보를 포함할 수 있다. 즉, 3차원 상에서 복수의 뇌 영역별로 세그멘테이션 되어 있을 수 있다. 또한, 전술한 기준 바운더리가 3차원 상에서 형성될 수 있다. (설명 적당히 : 복수의 뇌 영역 별로 대응되는 3D 픽셀 정보, 바운더리 등등 포함)을 생성할 수 있다.
3D 메디컬 모델을 획득하면, 영상분석장치(2000)는 획득된 3D 메디컬 모델에 기초하여 질병 인덱스를 획득하고 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 질병 인덱스획득을 위한 프로그램을 이용하여 3D 메디컬 모델로부터 질병 인덱스를 산출하고, 산출된 질병 인덱스로부터 진단보조정보를 획득할 수 있다.
3D 메디컬 모델로부터 질병 인덱스를 산출하고 진단보조정보를 제공하는 예시에 대해서 이하부터 도면을 참조하여 설명하도록 한다.
도 31은 일 실시예에 따른 3D 메디컬 모델로부터 질병 인덱스를 산출하는 과정의 일 예를 나타낸 것이고, 도 32는 일 실시예에 따라 질병 인덱스를 산출하는 과정의 다른 예를 나타낸 것이다..
도 31을 참조하면, 영상분석장치(2000)는 3D 메디컬 모델에 포함된 영역정보에 기초하여 질병 인덱스를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 3D 메디컬 모델에 포함되어 있는 피촬영 객체의 하나 이상의 특정 영역정보에 기초하여, 질병 인덱스를 계산할 수 있다. 여기서, 하나 이상의 특정 영역은 전술한 바와 같이 대상 영역 및 기준 영역을 포함할 수 있다. 구체적으로, 3차원 상에서 표현된 대상 영역 또는 기준 영역으로 레이블링 된 셀(예를 들어 복셀(voxel))일 수 있다. 또한 여기서, 제2 콘트롤러(2002)는 하나 이상의 피촬영 객체에 포함된 영역 간의 관계를 도출하기 위한 기준을 설정할 수 있다.
일 예로, 제2 콘트롤러(2002)는 3D 메디컬 모델에 포함되어 있는 뇌실영역과 WMH 영역에 기초하여, 질병 인덱스를 계산할 수 있다. 여기서, 제2 콘트롤러(2002)는, 전술한 예시와 유사하게, 뇌실영역과 WMH 영역간의 관계를 도출하기 위하여 기준 바운더리를 설정할 수 있다. 즉, 제2 콘트롤러(2002)는 3차원 상의 뇌실 영역으로부터 미리 설정된 거리만큼 떨어진 셀(cell)들의 집합을 기준 바운더리로 설정할 수 있다. 또한, 전술한 메디컬 이미지에서 설정된 기준 바운더리 유사하게, 제2 콘트롤러(2002)는 다양한 방식으로 기준 바운더리를 설정하거나 수정할 수 있다.
제2 콘트롤러(2002)는 3차원에서 형성된 기준 바운더리에 기초하여 WMH 영역과의 관계를 고려하여 질병 인덱스를 계산할 수 있다. 여기서, 기준 바운더리와 WMH의 관계는 전술한 바와 유사하다. 또한, 2차원의 메디컬 이미지에서 3차원의 3D 모델링이 수행됨에 따라서, 피촬영 객체의 영역에 관한 정보, 일 예로 대상 영역에 관한 영역 정보는 3차원적인 물리량이 될 수 있다. 즉, 제2 콘트롤러(2002)는, 2차원의 메디컬 이미지에서는 획득할 수 없었던 피촬영 객체에 포함된 특정 영역의 두께와 같은 3차원 정보까지도 3D 모델링을 통해 획득할 수 있다. 다른 예로, WMH에 관한 정보는, WMH로 태깅된 셀(cell)들에 대응되는 부피(또는 수)가 될 수도 있다.
도 32를 참조하면, 영상분석장치(2000)는 3D 메디컬 모델에 포함된 복수의 평면에 기초하여 질병 인덱스를 산출하고 진단보조정보를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 3D 메디컬 모델에 포함된 피촬영 객체와 관련된 적어도 하나 이상의 특정 영역에 관한 정보를 포함하고 있는 1 이상의 평면에 기초하여 질병 인덱스를 계산하고, 진단보조정보를 제공할 수 있다.
3D 모델링을 수행함에 따라, 질병 인덱스를 산출하기 위한 특정 영역간의 관계를 도출하기가 용이해지는 장점이 있다. 즉, 전술한 바와 같이 슬라이스 이미지를 분석하여 질병 인덱스를 계산하는 경우, 슬라이스 이미지 내에 질병 인덱스를 산출하기 위한 피촬영 객체에 포함된 필수 영역에 관한 정보가 포함되어 있지 않다면 질병 인덱스를 용이하게 획득할 수 없을 뿐 아니라, 획득한 질병 인덱스의 정확도가 낮아질 수 있다.
그러나, 3D 모델링을 수행하여 질병 인덱스를 계산하는 경우, 질병 인덱스의 계산에 필수적인 영역이 모두 포함되도록 평면을 결정하여, 해당 평면에 대하여 질병 인덱스를 계산함으로써 질병 인덱스의 정확도가 향상될 수 있다.
도면을 참조하여 구체적인 예시로써 설명한다.
도 32를 다시 참조하면, 제2 콘트롤러(2002)는 뇌실영역과 제1 WMH 영역이 모두 포함되되도록 미리 설정된 기준에 대응되도록 제1 평면을 설정하고, 설정된 제1 평면에 대한 질병 인덱스를 계산할 수 있다. 여기서, 제1 평면을 설정하는 기준은 다양할 수 있다. 일 예로, 제1 평면은, 대상 영역과기준 영역 사이의 거리를 고려하여 설정된 평면일 수 있다. 보다 더 구체적인 예로, 제1 평면은 WMH 영역과 뇌실 영역 사이의 거리가 최소가 되는 직선을 포함하도록 설정된 평면일 수 있다.
다른 예로, 제2 콘트롤러(2002)는 평면 내에 포함되는 대상 영역의 수를 고려하여 제2 평면을 설정하고, 설정된 제2 평면에 대한 질병 인덱스를 계산할 수 있다. 예컨대, 제2 콘트롤러(2002)는 기준 영역에 관한 정보를 포함함에 더하여, 가장 많은 수의 대상 영역을 포함하도록 제2 평면을 설정할 수 있다. 또한, 제2 콘트롤러(2002)는 대상 영역으로 레이블링 된 픽셀의 수가 최대가 되도록 제2 평면을 설정할 수도 있다.
즉, 제2 콘트롤러(2002)는 다양한 기준에 따라 제1 대상 영역 및 기준 영역이 포함되도록 제1 평면을 설정할 수도 있고, 제2 대상 영역 및 기준 영역이 포함되도록 제2 평면을 설정할 수도 있다. 이때, 제1 평면과 제2 평면은 소정의 각도를 형성할 수 있다. 이처럼, 영상분석장치(2000)는 3D 메디컬 모델의 베이스가 된 메디컬 이미지가 포함된 평면과 소정의 각도를 이루는 평면에 대해서도, 기준 영역과 대상 영역에 대한 관계를 도출할 수 있고, 질병 인덱스를 계산하거나 진단보조정보를 제공할 수도 있다.
이상에서는, 다양한 실시예에 따라, 진단보조정보 제공 시스템(10000)이 수행하는 하나 또는 복수의 메디컬 이미지로부터 질병 인덱스를 획득하고, 획득한 질병 인덱스에 기초하여 진단보조정보를 제공하는 방법의 예시에 대해 설명하였다.
이상에서 설명한 바와 같이, 일 실시예에 다른 진단보조정보 제공 시스템(10000)에서 수행되는 진단보조정보 제공 방법에 따르면, 메디컬 이미지로부터 명확하고 일률적인 기준을 가지고 자동화된 알고리즘 또는 프로그램에 기초하여 질병 인덱스를 계산함으로써, 인간의 주관적인 판단이 배제되어 보다 객관적인 질병 인덱스가 계산될 수 있으며, 이로 인해 더 정확한 진단보조정보가 제공될 수 있게 될 수 있다.
이하에서는, 일 실시예에 따라 진단보조정보 제공 시스템(10000)이 메디컬 이미지로부터 메디컬 이미지 내에 포함된 특정 영역들에 대해 세그멘테이션을 수행하는 방법에 대해 설명하도록 한다.
일 실시예에 따르면, 진단보조정보 제공 시스템(10000)은 메디컬 이미지를 세그멘테이션 할 수 있다. 구체적으로, 영상분석장치(2000)는 영상획득장치(1000)로부터 메디컬 이미지를 획득하고, 획득된 메디컬 이미지를 세그멘테이션 할 수 있다. 보다 더 구체적으로, 제2 콘트롤러(2002)는 제2 메모리(2400)에 저장된 이미지 세그멘테이션을 위한 알고리즘을 이용하여, 메디컬 이미지를 세그멘테이션 할 수 있다.
이하에서는, 도면을 참조하여 설명하도록 한다.
도 33은 일 실시예에 따라 영상분석장치가 수행하는 메디컬 이미지의 세그멘테이션 동작을 개괄적으로 나타낸 것이다.
일 실시예에 따르면, 영상분석장치(2000)는 인풋데이터를 입력받아 아웃풋 데이터를 출력할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 영상획득장치(1000)로부터 획득한 메디컬 이미지를 인풋데이터로 이미지 세그멘테이션을 위한 알고리즘에 입력하여, 메디컬 이미지가 세그멘테이션 된 아웃풋데이터를 획득할 수 있다.
일 실시예에 따른 영상분석장치(2000)는 이미지 세그멘테이션을 위한 다양한 알고리즘을 이용할 수 있다.
일 예로, 이미지 세그멘테이션을 위한 알고리즘은 머신러닝 모델로 제공될 수 있다. 머신러닝 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다.
인공 신경망의 세부적인 예시들로는 회귀분석 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.
뿐만 아니라, 머신러닝 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있으며, 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 머신러닝 모델로 대체될 수 있음을 미리 밝혀둔다.
나아가, 본 명세서에서 이미지 세그멘테이션을 위한 알고리즘이 반드시 머신러닝 모델로 한정되는 것은 아니다. 즉, 이미지 세그멘테이션을 위한 알고리즘은 머신러닝 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다.
따라서, 본 명세서에서 이미지 세그멘테이션을 위한 알고리즘은 메디컬 이미지를 분석하여 메디컬 이미지 내에 포함된 영역을 구별하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 미리 밝혀 둔다.
도 34 및 도 35을 참조하여, 인공신경망 모델의 구현 예를 설명하도록 한다..
도 34는 일 실시예에 따른 인공신경망 모델의 일 구현예를 나타낸 것이다.
도 34를 참조하면, 본 출원의 일 실시예에 따른 영상분석장치(2000)는 이미지 세그멘테이션을 위한 인공 신경망으로 U-net을 활용할 수 있다.
이미지 세그멘테이션에 많이 활용되는 U-net은 수축 경로(Contraction path) 및 확장 경로(Expansion Path)를 포함하는 아키텍처로 구성될 수 있다.
구체적으로 U-net의 수축 경로는 2번의 컨볼루전(convolution) 및 맥스 풀링(max pooling)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 수축 경로에서는 이미지와 관련된 특성들이 추출될 수 있다.
하지만, 수축 경로에서는 특성 맵의 크기 또한 줄어들기 때문에 U-net은 확장 경로를 추가적으로 포함하여 특성 맵의 크기를 복구하도록 구성될 수 있다.
U-net의 확장 경로는 업-컨볼루전(Up-convolution) 및 2번의 컨볼루전(convolution)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 확장 경로에서는 이미지와 특성 맵의 크기가 추출될 수 있다.
추가적으로 U-net은 동일한 레벨의 특성 맵을 콘카테네이션(concatenation) 하도록 아키텍처가 구성되어 수축 경로에서 확장 경로로 특성과 관련된 위치 정보를 제공할 수 있다.
이때, 입력 이미지(Input Image)의 라벨과 출력 세그멘테이션 맵의 라벨 차이에 기초하여, 입력 이미지의 라벨과 출력 세그멘테이션 맵의 라벨 차이가 최소가 되도록 U-net의 포함된 레이어의 적어도 하나의 노드의 파라미터 혹은 가중치를 조절하게 되는 것이다.
도 35는 일 실시예에 따른 인공신경망 모델의 다른 구현예를 나타낸 것이다.
도 35를 참조하면, 일 실시예에 따른 영상분석장치(2000)는 이미지 세그멘테이션을 위한 인공 신경망으로 U-net++을 활용할 수 있다. U-net++은 U-net의 성능을 향상시키기 위하여 DenseNet의 고밀도 블록 아이디어를 사용한 인공 신경망 모델로서, 스킵 경로에 컨볼루션 레이어가 존재하여 인코더 및 디코더 특성 맵 사이의 시맨틱 갭을 연결하며, 스킵 경로에 덴스 스킵 연결이 존재하여 그래디언트 흐름을 향상시키는 점에서 U-net과의 차이점이 존재한다.
구체적으로, 영상분석장치(2000)는 U-net++ 신경망 모델의 입력 레이어에 대하여 입력 이미지를 입력하고 출력 레이어를 통하여 출력된 라벨 정보를 획득하도록 구현될 수 있다. 이때, 영상분석장치(2000)는 입력 이미지에 포함된 라벨 정보와 신경망 모델로부터 출력되는 라벨 정보의 차이에 기초하여 Unet++의 포함된 히든 레이어의 적어도 하나의 노드의 파라미터 혹은 가중치를 조절할 수 있다.
좀 더 구체적으로 제2 콘트롤러(2002)는 상술한 적어도 하나의 노드의 파라미터 혹은 가중치를 조절하는 동작을 반복적으로 수행하도록 구현되어, 입력 이미지에 포함된 라벨 정보와 신경망 모델로부터 출력되는 라벨 정보의 차이가 최소화되는 노드의 파라미터 혹은 가중치를 획득할 수 있다.
도 36은 일 실시예에 따른 인공신경망 모델을 이용한 세그멘테이션 결과를 예시적으로 나타낸 것이다.
일 실시예에 따르면, 영상분석장치(2000)는 메디컬 이미지의 특성에 기초하여, 메디컬 이미지를 세그멘테이션 할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 메디컬 이미지가 획득된 조건에 대응하도록, 메디컬 이미지를 세그멘테이션 할 수 있다.
여기서, 메디컬 이미지가 획득된 조건은 영상획득장치(1000)의 설정 파라미터에 따라 달라질 수 있다. 일 예로, 메디컬 이미지가 획득된 조건은, 영상획득장치(1000)의 미리 설정된 마그네틱 컨디션 파라미터 값 일 수 있다. 구체적으로, 영상획득장치(1000)가 MRI 장치로 구현된 경우, TR/TE 값의 설정에 따라 T1-weighted 이미지 또는 T2-weighted 이미지가 획득될 수 있고, 제2 콘트롤러(2002)는 획득된 이미지에 대응되도록 이미지를 세그멘테이션 할 수 있다. 여기서, 메디컬 이미지의 획득 조건에 따른 특성은 전술한 바와 같다.
도면을 참조하여 구체적인 예시를 들어 설명한다.
도 36을 참조하면, 동일한 피촬영 객체에서 각각 획득된 T1-weighted 이미지와 T2 - FLAIR 이미지의 세그멘테이션 결과가 도시되어 있다.
일 실시예에 따르면, 제2 콘트롤러(2002)는 T1-weighted 이미지를 세그멘테이션 할 수 있다. 여기서, T1-weighted 이미지는 해부학적 특성을 판단하기 위해 세그멘테이션 될 수 있다. 도면에 도시된 바와 같이, T1-weighted 이미지를 세그멘테이션 한 결과는, T2-FLAIR 이미지를 세그멘테이션 한 결과에 비해, 회백질 외각 영역의 주름 부분이 더 선명하게 세그멘테이션 된 것을 확인할 수 있다.
또한, 일 실시예에 따르면, 제2 콘트롤러(2002)는 T2-FLAIR 이미지를 세그멘테이션 할 수 있다. 여기서, T2-FLAIR 이미지는 병변적 특성을 판단하기 위해 세그멘테이션 될 수 있다. 도면에 도시된 바와 같이, T2-FLAIR 이미지를 세그멘테이션 한 결과는, T1-weighted 이미지를 세그멘테이션 한 결과와 비교하여 WMH 영역에 대한 정보를 더 포함하고 있음이 도시되어 있다.
이처럼, 동일한 피촬영 객체로부터 획득한 메디컬 이미지라도, 영상획득장치(1000)의 획득 조건에 따라 메디컬 이미지에 포함된 특성(예를 들어 해부학적 특성, 병변적 특성)이 달라지고, 메디컬 이미지의 특성에 따라 메디컬 이미지에서 관측될 수 있는 정보 또한 달라질 수 있다.
그러나, 필요에 따라, 여러 메디컬 이미지의 특성이 종합적으로 고려되는 경우, 보다 정확한 진단보조정보를 제공할 수 있게 된다. 따라서, 본 명세서의 이하의 설명에서는 복수의 특성을 포함하도록 메디컬 이미지를 세그멘테이션하는 과정에 대해 설명하도록 하겠다.
도 37은 일 실시예에 따라 복수의 특성을 포함하도록 세그멘테이션 된 메디컬 이미지의 예시를 나타낸 것이다.
도 37을 참조하면, 일 실시예에 따른 영상분석장치(2000)는 획득 조건에 따라 달라지는 적어도 2 이상의 특성이 하나의 메디컬 이미지에 포함되도록 메디컬 이미지를 세그멘테이션 할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 이미지를 베이스로 하여, 제2 이미지의 특성이 포함되도록 제1 이미지를 세그멘테이션 할 수 있다.
도면을 참조하여 구체적인 예시를 들어 설명한다.
제2 콘트롤러(2002)는 제1 특성을 포함하는 제1 메디컬 이미지를 인풋데이터로 인공신경망에 입력하여, 제1 특성 및 제2 메디컬 이미지와 관련된 제2 특성이 레이블링 된 아웃풋 데이터를 획득할 수 있다. 여기서, 인공신경망은 제2 특성을 가지는 제2 이미지와 관련된 러닝셋을 기초로 하여 학습될 수 있다. 예를 들어, 여기서 제1 특성은 해부학적 특성 또는 구조적 특성일 수 있으며, 이에 따라 제1 이미지는 T1-weighted 이미지 일 수 있다. 또한, 제2 특성은 병변적 특성일 수 있으며, 이에 따라 제2 이미지는 T2-FLAIR 이미지 일 수 있다.
보다 더 구체적인 예시로, (a)와 같이, 제2 콘트롤러(2002)는 병변적 특성을 포함하는 제1 이미지(예시에서는, T2-FLAIR 이미지)를 인풋 데이터로 일 실시예에 따른 인공신경망에 입력할 수 있다.
여기서, 제1 이미지와 관련된 러닝셋으로만 학습된 인공신경망을 이용하는 경우, 제2 콘트롤러(2002)는 (b)와 같이, 제1 특성(즉, 병변적 특성) 만을 포함하는 세그멘테이션 결과만을 출력하게 된다.
다만, 본 명세서에서의 일 실시예에 따른 인공신경망은 제1 특성에 관한 제1 이미지 및 제2 특성에 관한 제2 이미지 모두에 기초한 러닝셋을 이용하여 학습할 수 있다. 이로 인하여, 제2 콘트롤러(2002)는 제1 이미지를 상기 인공신경망에 입력하여 (c)와 같이 제1 특성 및 제2 특성이 모두 반영된 제1 이미지에 대한 세그멘테이션 결과를 획득할 수 있게 되는 것이다.
이처럼, 하나의 특성을 포함하는 메디컬 이미지를 세그멘테이션 하는 경우에도 복수의 특성에 관한 정보를 함께 획득함으로써, 하나의 메디컬 이미지로부터 다양한 질병에 관한 정보를 획득할 수 있게 되어, 일 실시예에 따른 영상분석장치(2000)는 메디컬 이미지로부터 보다 정확하고 다양한 진단보조정보를 제공할 수 있게 되는 것이다.
이하에서는, 일 실시예에 따른 인공신경망의 학습 과정에 대해 도면을 참조하여 설명하도록 하겠다.
도 38은 일 실시예에 따른 인공신경망의 학습 과정을 나타낸 순서도이다.
일 실시예에 따른 인공신경망은, 학습 데이터를 이용하여 학습할 수 있다. 여기서, 일 실시예에 따른 인공신경망은, 인공신경망 알고리즘을 구동할 수 있는 다양한 장치를 통해 학습될 수 있다. 일 예로, 인공신경망은 영상분석장치(2000)를 통해 학습될 수 있다. 본 명세서에서는 설명의 편의를 위하여 일 실시예에 따른 인공신경망이 영상분석장치(2000)를 통해 학습되는 것으로 설명할 것이나, 이에 국한되는 것은 아니며, 다른 인공신경망의 구동을 위한 장치를 통해 학습될 수도 있음이 이해될 것이다.
도 39를 참조하면, 일 실시예에 따른 인공신경망의 학습 과정은 제1 특성을 포함하는 제1 이미지를 세그멘테이션 하는 단계(S6000), 제2 특성을 포함하는 제2 이미지를 기초로 제1 이미지의 세그멘테이션 정보를 정합하는 단계(S6200), 정합된 이미지와 제2 이미지를 이용하여 1차 학습을 수행하는 단계(S6400), 1차 학습의 출력 결과를 포함하는 제2 이미지에 대하여 형태학적으로 수정하는 단계(S6600) 및 형태학적 수정된 세그멘테이션 결과를 포함하는 제2 이미지를 이용하여 2차 학습을 수행하는단계(S6800)를 포함할 수 있다.
먼저, 영상분석장치(2000)는 제1 특성을 포함하는 제1 이미지를 세그멘테이션 할 수 있다(S6000). 구체적으로, 제2 콘트롤러(2002)는 제1 획득 조건에서 획득 되는 제1 특성에 관한 정보가 포함되도록, 제1 이미지를 세그멘테이션 할 수 있다. 이를 달리 표현하자면, 영상획득장치(1000)가 제1 파라미터로 설정되었을 때 획득되는 제1 특성을 포함하는 제1 이미지를 세그멘테이션 할 수 있다.
제1 이미지를 세그멘테이션 한 이후, 영상분석장치(2000)는 제2 이미지를 기초로 하여 세그멘테이션 된 제1 이미지와 제2 이미지를 정합할 수 있다(S6200). 구체적으로, 제2 콘트롤러(2002)는 제2 특성을 포함하는 제2 이미지 상에, 제1 특성을 포함하도록 세그멘테이션 된 제1 이미지를 정합하여, 제1 특성에 관한 세그멘테이션 된 정보를 포함하는 제2 이미지를 획득할 수 있다. 이를 달리 표현하자면, 영상획득장치(1000)의 제2 파라미터로 설정되었을 때 획득되는 제2 특성을 포함하는 제2 이미지 상에, 전술한 제1 특성을 포함하도록 세그멘테이션 된 제1 이미지를 정합할 수 있다. 이에 관하여는 후술하여 자세히 설명하도록 하겠다.
제1 이미지와 제2 이미지가 정합된 이후, 영상분석장치(2000)는 정합된 제2 이미지와 정합되지 않은 제2 이미지를 이용하여 1차 학습을 수행할 수 있다(S6400). 구체적으로, 제2 콘트롤러(2002)는, 일 실시예에 따른 인공신경망이 제2 이미지로부터 제1 특성을 포함한 세그멘테이션 결과를 출력하도록, 제2 이미지와 제1 특성이 반영되도록 정합된 제2 이미지를 이용하여 인공신경망을 학습시킬 수 있다.
즉, 일 실시예에 따른 인공신경망은, 제1 특성이 레이블링 된 제2 이미지와 원본 제2 이미지를 포함하는 러닝셋을 이용하여 학습할 수 있다. 이로 인해, 인공신경망은 제2 이미지를 입력 데이터로 입력 받고, 제1 특성이 레이블링 된 제2 이미지를 출력할 수 있다. 여기서, 러닝셋이 원본 제2 이미지를 포함하는 것으로 설명하였으나, 원본 제2 이미지 외에도 가공된 제2 이미지가 이용될 수 있다. 일 예로, 제2 이미지는 제2 특성을 포함하도록 세그멘테이션 된 제2 이미지일 수 있다. 또한, 그 외 다른 전처리 과정이 수행된 제2 이미지일 수도 있다. 다만, 본 명세서의 이하의 설명에서는 설명의 편의를 위해 인공신경망이 원본 제2 이미지에 기초한 러닝셋을 이용하여 학습하는 것을 위주로 설명한다.
인공신경망이 1차적으로 학습된 이후, 영상분석장치(2000)는 1차학습된 인공신경망의 아웃풋 이미지에 대해 형태학적(morphological) 수정을 수행할 수 있다(S6600). 구체적으로, 제2 콘트롤러(2002)는 원본 제2 이미지 데이터를 상기 인공신경망에 입력하여 출력된 제2 특성을 포함하도록 세그멘테이션 된 제2 이미지에 대하여, 세그멘테이션 결과의 정확도를 높이기 위하여 형태학적 수정을 수행할 수 있다.
1차적으로 학습한 인공신경망은, 제1 특성에 관한 정보를 정확하게 포함하고 있지 않을 수 있다. 따라서, 일 실시예에 따른 영상분석장치(2000)는 제1 특성을 포함하는 제1 이미지에 기초하여 인공신경망의 1차 아웃풋 데이터를 형태학적으로 수정함으로써, 인공신경망이 제1 특성에 관한 정보를 제2 이미지 상에 보다 더 정확하게 구별할 수 있도록 인공신경망의 연산 정확도를 향상시킬 수 있다.
인공신경망의 1차 아웃풋 데이터에 대한 형태학적 수정이 완료되면, 영상분석장치(2000)는 형태학적으로 수정된 제2 이미지에 기초하여 인공신경망을 2차적으로 학습시킬 수 있다(S6800). 구체적으로, 제2 콘트롤러(2002)는 형태학적으로 수정되어 제1 특성이 레이블링 된 제2 이미지를 포함하는 러닝셋에 기초하여 일 실시예에 따른 인공신경망을 학습시킬 수 있다. 즉, 일 실시예에 따른 인공신경망은 형태학적으로 수정된 제1 특성이 반영되도록 레이블링 된 제2 이미지를 포함하는 러닝셋을 이용하여 학습함으로써, 제2 이미지로부터 보다 정확하게 제1 특성에 관한 정보가 반영되도록 세그멘테이션을 수행할 수 있게 되는 것이다.
이하에서는, 도면을 참조하여 일 실시예에 따른 인공신경망의 학습과정에 대한 예시를 살펴보도록 하겠다.
도 39는 일 실시예에 따른 제1 이미지와 제2 이미지의 정합 과정을 나타낸 예시이다.
도 39를 참조하면, 일 실시예에 따른 영상분석장치(2000)는 제1 이미지와 제2 이미지를 정합할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 이미지와 제2 이미지 사이의 정합 매트릭스를 획득할 수 있다. 여기서, 정합 매트릭스는 제1 이미지와 제2 이미지 사이의 변환함수를 의미할 수 있다. 즉, 일 실시예에 따른 정합 매트릭스는 동일한 피촬영 객체에 대한 제1 이미지와 제2 이미지 상호간에 대하여, 제1 이미지에 포함된 제1 포인트와 제2 이미지에 포함된 제2 포인트 간의 상관관계를 나타낸 함수라고 표현할 수도 있겠다. 여기서, 제1 포인트 및 제2 포인트는 픽셀을 의미할 수도 있을 것이고, 픽셀들의 집합을 의미할 수도 있을 것이다.
일 실시예에 따른 영상분석장치(2000)는 정합 매트릭스를 이용하여 제1 특성에 대해 세그멘테이션 된 제1 이미지에 기초하여, 제2 이미지를 제1 이미지의 세그멘테이션 결과와 대응되도록 가공할 수 있다. 즉, 제2 콘트롤러(2002)는 제1 특성에 관한 제1 이미지의 세그멘테이션 결과가 제2 이미지에 반영되도록, 제2 이미지를 세그멘테이션 할 수 있다. 여기서, 전술한 바와 같이, 제2 이미지는 제2 특성을 포함하도록 미리 세그멘테이션 될 수도 있을 것이다. 즉, 제2 콘트롤러(2002)는 제1 특성 및 제2 특성이 모두 반영되도록 제2 이미지를 세그멘테이션 할 수도 있다.
보다 구체적인 예시로, 제1 이미지는 T1-weighted 이미지일 수 있고, 제2 이미지는 T2-FLAIR 이미지 일 수 있다. 즉, 영상분석장치(2000)는 먼저 T1-weighted 이미지와 T2-FLAIR 이미지를 정합하여 정합 매트릭스를 획득할 수 있다.
또한, 영상분석장치(2000)는 T1-weighted 이미지의 해부학적 특성이나 구조적 특성이 반영되도록 T1-weighted 이미지를 세그멘테이션 할 수 있다. 예를 들어, 제2 콘트롤러(2002)는 뇌의 특정 영역이 구별되도록 T1-weighted 이미지를 가공할 수 있다. 보다 구체적으로, 제2 콘트롤러(2002)는 대뇌, 소뇌, 간뇌, 해마 등 뇌에 포함된 기관이 구별되도록 T1-weighted 이미지를 세그멘테이션 할 수도 있고 측두엽, 전두엽, 후두엽 등 뇌의 부위별 위치에 따라 구별되도록 T1-weighted 이미지를 세그멘테이션 할 수도 있으며, 이들을 조합하여 세그멘테이션 하는 것도 가능하다.
이후, 영상분석장치(2000)는 정합 매트릭스를 이용하여, T1-weighted 이미지의 세그멘테이션 결과가 T2-FLAIR 이미지에 반영되도록, 세그멘테이션 된 T1-weighted 이미지를 T2-FLAIR 이미지에 정합할 수 있다.
이로써, 영상분석장치(2000)는 해부학적 특성이 반영되도록 세그멘테이션 된 T2-FLAIR 이미지를 획득할 수 있다. 구체적으로 제2 콘트롤러(2002)는 메디컬 이미지에서 관측되는 WMH 또는 뇌를 구성하는 물질들인 백질(white matter), 회백질(gray matter) 등이 구별되는 T2-FLAIR 영상에, 전술한 해부학적 특성이 반영되도록 T2-FLAIR 이미지를 세그멘테이션 할 수 있다. 상기 해부학적 특성이 반영되도록 세그멘테이션 된 T2-FLAIR 이미지는, 전술한 바와 같이 인공신경망의 1차 학습에 이용될 수 있다.
도 40은 일 실시예에 따른 형태학적(morphological) 수정의 예시를 나타낸 것이다.
도 40을 참조하면, 일 실시예에 따른 영상분석장치(2000)는 메디컬 이미지에 대한 세그멘테이션 결과를 형태학적으로 수정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 이미지에 포함된 제1 특성을 반영하는 세그멘테이션 결과를 형태학적으로 수정할 수 있다. 형태학적으로 수정된 세그멘테이션 결과를 포함하는 제2 이미지는, 제1 특성을 보다 정확히 반영할 수 있다.
도면을 참조하여 구체적인 예시로써 설명한다.
상술한 바와 같이, 인공신경망은 해부학적 특성이 반영되도록 세그멘테이션 된 T2-FLAIR 이미지와 원본 T2-FLAIR 이미지를 이용하여 1차 학습할 수 있다. 1차 학습의 결과물로, 인공신경망은 T2-FLAIR 이미지를 입력받아 T1-weighted 이미지의 특성(해부학적 또는 구조적 특성)이 반영되도록 세그멘테이션 된 T2-FLAIR 이미지를 출력할 수 있다. 인공신경망의 출력 결과인 T2-FLAIR 이미지는, T1-weighted 이미지의 특성을 반영하도록 세그멘테이션 되었으나, 일부 영역에서 불완전 하여 수정이 필요할 수 있다.
(a)의 경우는 일 실시예에 따른 인공신경망의 1차 학습 결과로써, 세그멘테이션 된 구역의 외곽 부분이 해부학적 특성을 불완전하게 반영하여 세그멘테이션 된 것이 도시되어 있다. 이에 비해, (b)는 형태학적으로 수정된 인공신경망의 1차 출력으로써, 세그멘테이션 된 외곽부분이 해부학적 특성을 잘 반영하도록 수정되어 있는 것이 도시되어 있다.
보다 구체적으로, (a)의 경우 일부 회백질 영역이 구별되어 있지 않으며, 각 영역의 경계선이 부분적으로 끊어져 있는 것이 도시되어 있다. 또한 불완전한 학습으로 인해 영역이 잘못 레이블링 된 노이즈들도 포함되어 있다.
그러나, 형태학적으로 수정된 메디컬 이미지는 회백질 영역이 잘 구별되어 있으며, 각 영역의 경계선이 명확하게 특정 영역들을 구별하고 있는 것이 도시되어 있다.
여기서, 일 실시예에 따르면, 제2 콘트롤러(2002)는 뇌 구조의 특성을 기반으로 형태학적 수정을 수행할 수 있다. 일반적으로, 뇌실을 포함한 뇌의 영역들은 3차원 상에서 26가지 방식으로 연결되어야 한다. 따라서, 제2 콘트롤러(2002)는 뇌의 각 영역 사이의 연결관계를 기초로 하여 세그멘테이션 된 메디컬 이미지 내에 포함된 노이즈를 감소시킬 수 있다.
또한 여기서, 뇌실은 기타 다른 비조직(none-tissue)와 잘못 구별되어, 비조직으로 잘못 레이블링 될 수 있다. 이 경우, 뇌실 영역의 잘못된 레이블링을 보상하기 위하여 ,제2 콘트롤러(2002)는 필-홀(fill-hole) 방법을 이용하여 뇌실 영역을 레이블링 할 수 있다.
이처럼 일 실시예에 따른 인공신경망은, 형태학적으로 세그멘테이션 결과가 수정된 결과물을 입력으로 재 학습하여, 포함하고자 하는 특성이 보다 정확하게 반영되도록 결과를 출력할 수 있다.
도 41은 일 실시예에 따른 영상분석장치의 인공신경망을 이용한 디플로잉(deploying) 과정을 나타낸 순서도이다.
도 41을 참조하면, 일 실시예에 따른 영상분석장치(2000)의 인공신경망을 이용한 디플로잉(deploying) 과정은, 제1 특성을 포함하는 제1 이미지를 입력하는 단계(S7000) 및 제1 특성 및 제2 특성이 포함된 세그멘테이션 결과를 포함하도록 가공된 제1 이미지를 출력하는 단계(S7200)를 포함할 수 있다.
먼저, 영상분석장치(2000)는 제1 특성을 포함하는 제1 이미지를 인공신경망에 입력할 수 있다(S7000). 구체적으로, 제2 콘트롤러(2002)는, 충분히 학습되어 제2 메모리(2400)에 저장된 인공신경망에 제1 특성을 포함하는 제1 이미지를 입력할 수 있다. 여기서, 인공신경망은 상술된 학습과정을 거쳐 충분히 학습되어 있을 것이다.
제1 이미지를 입력하면, 영상분석장치(2000)는 인공신경망의 출력 결과로써 제1 이미지에 관련된 제1 특성 및 제1 이미지와 다른 형식의 제2 이미지와 관련된 제2 특성을 포함하도록 가공된 제1 이미지를 획득할 수 있다(S7200). 구체적으로, 제2 콘트롤러(2002)는, 제1 이미지와 관련된 제1 특성 및 제1 이미지와 다른 제2 이미지와 관련된 제2 특성이 종합적으로 구별되도록 세그멘테이션 된 제1 이미지를 획득할 수 있다.
이처럼, 일 실시예에 따른 인공신경망의 학습과정에 따라 충분히 학습된 인공신경망을 이용함으로써, 영상분석장치(2000)는 제1 특성만을 포함한 메디컬 이미지를 인공신경망에 입력함에도, 제1 특성 및 제1 특성과 다른 제2 특성을 모두 포함하도록 세그멘테이션 된 메디컬 이미지를 획득할 수 있다. 이로 인해, 관련된 정보를 획득하고자 하는 질병을 분석하기 위한 다양한 정보를 획득할 수 있으며, 다양한 정보를 분석함으로써 질병에 관련하여도 보다 다양한 정보를 유저에게 제공할 수 있다.
도 42은 일 실시예에 따른 인공신경망의 최종 출력 결과물의 일 예이다.
도 42를 참조하면, 영상분석장치(2000)는 제1 이미지를 인공신경망에 입력하여, 다양한 특성이 포함되도록 가공된 제1 이미지를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제1 특성이 반영된 제1 이미지를 인공신경망에 입력하여, 제1 특성과 다른 특성이 더 반영되도록 세그멘테이션 된 제1 이미지를 획득할 수 있다.
도면을 참조하여 구체적인 예시로써 설명하자면, 영상분석장치(2000)는 T2-FLAIR 이미지를 인공신경망에 입력하여, T1-weighted 이미지의 특성이 반영되도록 가공된 이미지를 획득할 수 있다.
구체적으로, 제2 콘트롤러(2002)는 T1-weighted 이미지의 특성 및 T2-FlAIR 이미지의 특성이 반영된 러닝셋에 기초하여 충분히 학습된 인공신경망에 T2-FLAIR 이미지를 입력하여, T1-weighted 이미지의 특성이 반영되도록 세그멘테이션 된 T2-FLAIR 이미지를 획득할 수 있다. 여기서, 인공신경망은 T2-FLAIR 이미지의 기존의 특성을 반영하여 세그멘테이션 하도록 학습될 수 있음은 물론이다. 즉, 일 실시예에 따른 인공신경망은 T2-FLAIR 이미지를 입력 데이터로 하여, T1-weighted 이미지에서 관측되기 용이한 해부학적 또는 구조적 특성이 반영될 뿐만 아니라, T2-FLAIR 이미지에서 관측되기 용이한 병변적 특성 모두를 포함하도록 세그멘테이션 된 이미지를 획득할 수 있는 것이다.
보다 더 구체적인 예시를 들자면, 일 실시예에 따른 인공신경망의 최종 출력은, WMH와 같은 병변적 특성 및 백질, 회백질 등의 뇌를 구성하는 물질이 잘 구별되는 T2-FLAIR 이미지를 기반으로 하여, 뇌에 포함된 기관 및 뇌의 부위별 위치와 같이 T1-weighted 이미지의 특성이 모두 포함되도록 세그멘테이션 될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (22)
- 진단보조정보 제공 장치에 의해 수행되는 뇌와 관련된 진단 보조정보를 제공하는 방법에 있어서,
복수의 셀(cell)을 포함하는 뇌 이미지를 획득하는 단계;
상기 복수의 셀에 뇌의 영역 - 상기 뇌의 영역은 뇌실 및 백질고강도신호(whitematter hyperintensity)를 포함함 - 을 반영하는 특징값을 레이블링하는 단계;
상기 뇌 이미지 내에 기준 바운더리 - 상기 기준 바운더리는 상기 뇌실로부터 미리 정해진 거리만큼 이격된 셀들의 집합으로 정의됨 - 를 결정하는 단계;
상기 기준 바운더리 내에 위치한 백질고강도신호를 나타내는 특징값으로 레이블링 된 셀들과 관련된 제1 질병 인덱스 및 상기 기준 바운더리 외에 위치한 백질고강도신호를 나타내는 특징값으로 레이블링 된 셀들과 관련된 제2 질병 인덱스를 계산하는 단계; 및
상기 제1 및 제2 질병 인덱스에 기초하여 진단보조정보를 제공하는 단계;를 포함하는
뇌와 관련된 진단보조정보 제공 방법.
- 제1항에 있어서,
상기 제1 및 제2 질병 인덱스는 상기 백질고강도신호로 레이블링 된 셀들이 형성하는 영역에 기초하여 결정되는
진단보조정보 제공 방법.
- 제1항에 있어서,
상기 기준 바운더리는 상기 뇌실의 경계로부터 뇌실 경계면의 수직방향으로 미리 설정된 거리만큼 이격된
진단보조정보 제공 방법.
- 제1항에 있어서,
상기 제1 및 제2 질병 인덱스에 기초하여 제3 질병 인덱스를 계산하는 단계;를 더 포함하며,
상기 진단 보조정보를 제공하는 단계;는 상기 제3 질병 인덱스에 기초하여 진단 보조정보를 제공하는 것인
진단보조정보 제공 방법.
- 제2 항에 있어서,
상기 제1 질병 인덱스는 상기 뇌실의 경계로부터 뇌실 경계면의 수직 방향으로 가장 멀리 이격된 백질고강도신호 영역까지의 거리에 기초하여 계산되는
진단보조정보 제공 방법.
- 제2 항에 있어서,
상기 제2 질병 인덱스는 상기 백질고강도신호 영역의 장축의 길이로부터 결정되는
진단보조정보 제공 방법.
- 제1 항에 있어서,
상기 진단보조정보는 알츠하이머와 관련된 것인
진단보조정보 제공 방법.
- 제1 항에 있어서,
상기 이미지는 MRI 이미지인
진단보조정보 제공 방법.
- 제8 항에 있어서,
상기 MRI 이미지는 T2-FLAIR 이미지인
진단보조정보 제공 방법.
- 제1 항에 있어서,
상기 진단 보조정보는 질병의 진행정도인
진단보조정보 제공 방법.
- 제1 항에 있어서,
상기 진단 보조정보를 제공하는 단계;는 상기 진단 보조정보를 디스플레이 하는 것이고,
상기 디스플레이 되는 진단 보조정보는,
상기 기준 바운더리, 상기 제1 질병 인덱스 또는 상기 제2 질병 인덱스중 적어도 어느 하나가 반영된 상기 뇌 이미지인 것인
진단보조정보 제공 방법.
- 제1항 내지 제11항 중 어느 한 항의 방법이 저장된 컴퓨터 판독 가능 기록 매체.
- 진단보조정보를 제공하기 위한 영상분석 장치에 있어서,
뇌와 관련된 MRI 이미지를 획득하는 통신모듈;
상기 이미지를 분석하기 위한 프로그램이 저장된 메모리;
상기 메모리에 저장된 프로그램을 이용하여 상기 뇌와 관련된 MRI 이미지를 분석하는 콘트롤러;를 포함하되,
상기 콘트롤러는, 상기 이미지로부터 뇌실영역 및 백질고강도신호 영역을 구별하고, 상기 뇌실영역으로부터 미리 정해진 거리만큼 이격된 기준 바운더리를 설정하고, 상기 기준 바운더리 내에 존재하는 백질고강도신호 영역에 기초한 제1 질병 인덱스및 상기 기준 바운더리 외에 존재하는 백질고강도신호 영역에 기초한 제2 질병 인덱스를 계산하고, 상기 제1 질병 인덱스및 제2 질병 인덱스에 기초하여 진단보조정보를 제공하는
진단보조정보 제공 장치.
- 제13항에 있어서,
상기 제1 및 제2 질병 인덱스는 상기 백질고강도신호로 레이블링 된 셀들이 형성하는 영역에 기초하여 결정되는
진단보조정보 제공 장치.
- 제13항에 있어서,
상기 기준 바운더리는 상기 뇌실의 경계로부터 뇌실 경계면의 수직방향으로 미리 설정된 거리만큼 이격된
진단보조정보 제공 장치.
- 제13항에 있어서,
상기 콘트롤러는 제1 및 제2 질병 인덱스에 기초하여 제3 질병 인덱스를 계산하며, 상기 제3 질병 인덱스에 기초하여 진단 보조정보를 제공하는
진단보조정보 제공 장치.
- 제14 항에 있어서,
상기 제1 질병 인덱스는 상기 뇌실의 경계로부터 뇌실 경계면의 수직 방향으로 가장 멀리 이격된 백질고강도신호 영역까지의 거리에 기초하여 계산되는
진단보조정보 제공 장치.
- 제14 항에 있어서,
상기 제2 질병 인덱스는 상기 백질고강도신호 영역의 장축의 길이로부터 결정되는
진단보조정보 제공 장치.
- 제14 항에 있어서,
상기 진단보조정보는 알츠하이머와 관련된
진단보조정보 제공 장치.
- 제14 항에 있어서,
상기 이미지는 MRI 이미지인
진단보조정보 제공 장치.
- 제20 항에 있어서,
상기 MRI 이미지는 T2-FLAIR 이미지인
진단보조정보 제공 장치.
- 제14 항에 있어서,
상기 진단 보조정보는 질병의 진행정도인
진단보조정보 제공 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187935A KR102300226B1 (ko) | 2020-12-30 | 2020-12-30 | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200187935A KR102300226B1 (ko) | 2020-12-30 | 2020-12-30 | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102300226B1 true KR102300226B1 (ko) | 2021-09-10 |
| KR102300226B9 KR102300226B9 (ko) | 2022-04-11 |
Family
ID=77777099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200187935A KR102300226B1 (ko) | 2020-12-30 | 2020-12-30 | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102300226B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023121005A1 (ko) * | 2021-12-21 | 2023-06-29 | 주식회사 뷰노 | 인공 신경망에 기반하여 분류 정보를 출력하는 방법 및 이를 위한 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
-
2020
- 2020-12-30 KR KR1020200187935A patent/KR102300226B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023121005A1 (ko) * | 2021-12-21 | 2023-06-29 | 주식회사 뷰노 | 인공 신경망에 기반하여 분류 정보를 출력하는 방법 및 이를 위한 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102300226B9 (ko) | 2022-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102410955B1 (ko) | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 및 그 컴퓨터 프로그램 | |
| US8218845B2 (en) | Dynamic pulmonary trunk modeling in computed tomography and magnetic resonance imaging based on the detection of bounding boxes, anatomical landmarks, and ribs of a pulmonary artery | |
| US9042616B2 (en) | Medical image processing device | |
| KR102300228B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| US20150141818A1 (en) | Vascular imaging method and device | |
| WO2014016268A1 (en) | Method, apparatus and system for automated spine labeling | |
| JP6739422B2 (ja) | 被験者の画像をセグメント化するためのデバイス、システム及び方法 | |
| JP2011160882A (ja) | 医用画像表示装置及び医用画像表示方法並びにプログラム | |
| US20120078102A1 (en) | 3-dimensional (3d) ultrasound system using image filtering and method for operating 3d ultrasound system | |
| US20130303900A1 (en) | Method and apparatus for processing of stroke ct scans | |
| KR102313652B1 (ko) | 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 | |
| KR102313662B1 (ko) | 이미지 품질 판단 장치 및 방법 | |
| JP3234668U (ja) | Ｘ線による脊柱側弯症の画像認識システム | |
| KR20210020629A (ko) | 의료 영상에서 딥러닝에 기반한 종양 자동분할 방법 | |
| KR102300226B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| KR102300234B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| KR102300236B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| KR102300235B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| KR102300231B1 (ko) | 진단보조정보를 제공하는 방법 및 이를 수행하는 장치 | |
| JP2023134655A (ja) | 医療映像分析方法、医療映像分析装置及び医療映像分析システム | |
| EP4272635A1 (en) | Method for providing diagnosis assistance information, and device performing same | |
| KR102313656B1 (ko) | 뇌 영상 분석 방법, 뇌 영상 분석 장치 및 뇌 영상 분석 시스템 | |
| KR102483122B1 (ko) | 태아 신경계의 질환을 결정하기 위한 시스템 및 방법 | |
| KR102349360B1 (ko) | 영상 진단기기를 이용한 특발성 정상압 수두증의 진단 방법 및 시스템 | |
| KR101654824B1 (ko) | 의료 영상의 위치 매칭 제어 방법 및 그 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |